Ministral 3 8B Instruct 2512 es el modelo de tamaño intermedio ajustado para seguir instrucciones de la familia Ministral 3 de Mistral AI. El checkpoint publicado recibe posentrenamiento para chat y tareas de instrucciones con precisión FP8. Combina un componente de lenguaje con un codificador visual, acepta texto e imágenes y devuelve texto, en lugar de un artefacto de imagen o audio.
Arquitectura y funciones principales
Su desarrollador enumera un modelo de lenguaje de 8,400 millones de parámetros y un codificador visual de 400 millones de parámetros. Su ventana de contexto se describe como de 256k, y las notas de uso publicadas utilizan una longitud configurada predeterminada de 262,144. Esto describe la edición de tamaño 8B; los integrantes más pequeños de 3B y más grandes de 14B conservan sus propios tamaños de componentes y configuraciones.
La visión amplía la entrada del modelo más allá de una conversación escrita. Una imagen documental puede acompañarse de una pregunta sobre un campo, párrafo o relación visible seleccionados. Una captura de pantalla puede acompañarse del objetivo del usuario y una solicitud para identificar el control relevante. Solicita la observación que respalda cada conclusión cuando la respuesta dependa de un detalle visual, y conserva los encabezados, etiquetas y unidades necesarios para interpretar un recorte.
La ficha describe trabajo multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También identifica el seguimiento de instrucciones de sistema, las llamadas nativas a funciones y la salida JSON. Define explícitamente el idioma final, el rol y los requisitos de salida en lugar de dejar que el modelo infiera el artefacto previsto a partir de una entrada extensa.
Tareas documentales, de conversación y con agentes
Los casos de uso de su desarrollador incluyen interfaces de chat, asistentes cotidianos, descripción de imágenes y documentos, traducción, generación de contenido y agentes especializados. Para un asistente documental, proporciona la página y especifica la información que debe devolver. Una solicitud de extracción puede indicar las etiquetas de campos, los tipos esperados y el tratamiento de valores faltantes. Una respuesta útil puede contener el identificador del documento, el valor extraído y una explicación breve vinculada con la fuente visible.
Para una conversación continua, conserva la respuesta previa relevante y formula una pregunta posterior enfocada. Un usuario puede solicitar primero un resumen del documento y después preguntar qué declaración respalda una conclusión. Esto cambia la salida requerida de un panorama general a una explicación vinculada con la fuente, y conserva el material original y el propósito del diálogo.
Para edición multilingüe, proporciona el pasaje original, el lector previsto y una lista de terminología. Solicita una versión revisada que conserve nombres, condiciones y unidades, seguida de una explicación breve de los cambios si resulta útil. Para generación de contenido, especifica el público y los hechos que deben aparecer antes de pedir un borrador breve o una redacción alternativa.
En una tarea con agentes, la aplicación proporciona las herramientas y sus parámetros. El modelo puede elegir una función y preparar argumentos, mientras que la aplicación la ejecuta y devuelve el resultado. El ejemplo de función de la ficha combina una pregunta sobre una imagen con una herramienta de cálculo. Mantén separado el resultado de la herramienta de la llamada propuesta para que la respuesta escrita posterior use la información realmente devuelta por la operación.
Preparación y ajustes recomendados
Su desarrollador recomienda una instrucción de sistema que describa el entorno, el caso de uso y cómo se deben usar las herramientas. Mantén el conjunto de herramientas bien definido y limitado al mínimo necesario para la tarea. Un flujo pequeño de consulta puede ofrecer las funciones relevantes para la pregunta actual, con argumentos requeridos claramente identificados, en lugar de presentar una colección extensa de operaciones no relacionadas.
Para uso cotidiano y de tipo productivo, la ficha recomienda una temperatura inferior a 0.1, con temperaturas mayores disponibles para exploración creativa. Trata esto como una recomendación para el flujo de instrucciones, no como un control separado del modo de razonamiento. La familia tiene checkpoints Base, Instruct y Reasoning distintos; esta entrada corresponde a la edición Instruct 2512, no a la versión Reasoning independiente del mismo tamaño.
Para imágenes, su desarrollador recomienda relaciones de aspecto cercanas a 1:1 y evitar entradas muy delgadas o muy anchas. Recorta cuando sea necesario y conserva las etiquetas y el contexto que requiere la pregunta. Si una página contiene varias áreas no relacionadas, identifica la parte que se debe revisar y el resultado que debe devolver. Una imagen legible y enfocada resulta más útil que pedir al modelo que adivine qué detalle pequeño importa en una página amplia.
Límites de contexto y edición
Planea el texto, las imágenes, la conversación y la respuesta deseada según el contexto configurado. Las notas de uso permiten explícitamente reducir la longitud configurada del modelo cuando se necesita menos contexto, por lo que la ventana completa no es una instrucción para llenar cada solicitud con todo el material disponible. El ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo, y las fuentes consultadas no establecen una longitud máxima de respuesta estricta e independiente.
El checkpoint Instruct FP8, la versión Base preentrenada y la versión Reasoning son ediciones independientes. Su desarrollador también describe la especialización y el ajuste fino como casos de uso. Conserva el checkpoint identificado y su tokenizador al preparar la conversación, y distingue la generación de texto del acceso a repositorios, la ejecución de funciones u otras acciones proporcionadas por la aplicación que lo integra.
", "aboutText": "Ministral 3 8B Instruct 2512 es el modelo de tamaño intermedio ajustado para seguir instrucciones de la familia Ministral 3 de Mistral AI. El checkpoint publicado recibe posentrenamiento para chat y tareas de instrucciones con precisión FP8. Combina un componente de lenguaje con un codificador visual, acepta texto e imágenes y devuelve texto, en lugar de un artefacto de imagen o audio.\n\nArquitectura y funciones principales\n\nSu desarrollador enumera un modelo de lenguaje de 8,400 millones de parámetros y un codificador visual de 400 millones de parámetros. Su ventana de contexto se describe como de 256k, y las notas de uso publicadas utilizan una longitud configurada predeterminada de 262,144. Esto describe la edición de tamaño 8B; los integrantes más pequeños de 3B y más grandes de 14B conservan sus propios tamaños de componentes y configuraciones.\n\nLa visión amplía la entrada del modelo más allá de una conversación escrita. Una imagen documental puede acompañarse de una pregunta sobre un campo, párrafo o relación visible seleccionados. Una captura de pantalla puede acompañarse del objetivo del usuario y una solicitud para identificar el control relevante. Solicita la observación que respalda cada conclusión cuando la respuesta dependa de un detalle visual, y conserva los encabezados, etiquetas y unidades necesarios para interpretar un recorte.\n\nLa ficha describe trabajo multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También identifica el seguimiento de instrucciones de sistema, las llamadas nativas a funciones y la salida JSON. Define explícitamente el idioma final, el rol y los requisitos de salida en lugar de dejar que el modelo infiera el artefacto previsto a partir de una entrada extensa.\n\nTareas documentales, de conversación y con agentes\n\nLos casos de uso de su desarrollador incluyen interfaces de chat, asistentes cotidianos, descripción de imágenes y documentos, traducción, generación de contenido y agentes especializados. Para un asistente documental, proporciona la página y especifica la información que debe devolver. Una solicitud de extracción puede indicar las etiquetas de campos, los tipos esperados y el tratamiento de valores faltantes. Una respuesta útil puede contener el identificador del documento, el valor extraído y una explicación breve vinculada con la fuente visible.\n\nPara una conversación continua, conserva la respuesta previa relevante y formula una pregunta posterior enfocada. Un usuario puede solicitar primero un resumen del documento y después preguntar qué declaración respalda una conclusión. Esto cambia la salida requerida de un panorama general a una explicación vinculada con la fuente, y conserva el material original y el propósito del diálogo.\n\nPara edición multilingüe, proporciona el pasaje original, el lector previsto y una lista de terminología. Solicita una versión revisada que conserve nombres, condiciones y unidades, seguida de una explicación breve de los cambios si resulta útil. Para generación de contenido, especifica el público y los hechos que deben aparecer antes de pedir un borrador breve o una redacción alternativa.\n\nEn una tarea con agentes, la aplicación proporciona las herramientas y sus parámetros. El modelo puede elegir una función y preparar argumentos, mientras que la aplicación la ejecuta y devuelve el resultado. El ejemplo de función de la ficha combina una pregunta sobre una imagen con una herramienta de cálculo. Mantén separado el resultado de la herramienta de la llamada propuesta para que la respuesta escrita posterior use la información realmente devuelta por la operación.\n\nPreparación y ajustes recomendados\n\nSu desarrollador recomienda una instrucción de sistema que describa el entorno, el caso de uso y cómo se deben usar las herramientas. Mantén el conjunto de herramientas bien definido y limitado al mínimo necesario para la tarea. Un flujo pequeño de consulta puede ofrecer las funciones relevantes para la pregunta actual, con argumentos requeridos claramente identificados, en lugar de presentar una colección extensa de operaciones no relacionadas.\n\nPara uso cotidiano y de tipo productivo, la ficha recomienda una temperatura inferior a 0.1, con temperaturas mayores disponibles para exploración creativa. Trata esto como una recomendación para el flujo de instrucciones, no como un control separado del modo de razonamiento. La familia tiene checkpoints Base, Instruct y Reasoning distintos; esta entrada corresponde a la edición Instruct 2512, no a la versión Reasoning independiente del mismo tamaño.\n\nPara imágenes, su desarrollador recomienda relaciones de aspecto cercanas a 1:1 y evitar entradas muy delgadas o muy anchas. Recorta cuando sea necesario y conserva las etiquetas y el contexto que requiere la pregunta. Si una página contiene varias áreas no relacionadas, identifica la parte que se debe revisar y el resultado que debe devolver. Una imagen legible y enfocada resulta más útil que pedir al modelo que adivine qué detalle pequeño importa en una página amplia.\n\nLímites de contexto y edición\n\nPlanea el texto, las imágenes, la conversación y la respuesta deseada según el contexto configurado. Las notas de uso permiten explícitamente reducir la longitud configurada del modelo cuando se necesita menos contexto, por lo que la ventana completa no es una instrucción para llenar cada solicitud con todo el material disponible. El ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo, y las fuentes consultadas no establecen una longitud máxima de respuesta estricta e independiente.\n\nEl checkpoint Instruct FP8, la versión Base preentrenada y la versión Reasoning son ediciones independientes. Su desarrollador también describe la especialización y el ajuste fino como casos de uso. Conserva el checkpoint identificado y su tokenizador al preparar la conversación, y distingue la generación de texto del acceso a repositorios, la ejecución de funciones u otras acciones proporcionadas por la aplicación que lo integra.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "392065cf0f43de73e393c6443320bade2ce196755c7478c5f83c26d86a97669b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "mistralai/ministral-8b-2512:batchMinistral 3 8B Instruct 2512 es un modelo multilingüe de instrucciones con texto e imágenes, un componente de lenguaje de 8.4B y un codificador visual de 0.4B. Admite un contexto de 256k según su desarrollador, instrucciones de sistema, JSON y llamadas nativas a funciones para asistentes y flujos documentales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ministral 3 8B Instruct 2512 es el modelo de tamaño intermedio ajustado para seguir instrucciones de la familia Ministral 3 de Mistral AI. El checkpoint publicado recibe posentrenamiento para chat y tareas de instrucciones con precisión FP8. Combina un componente de lenguaje con un codificador visual, acepta texto e imágenes y devuelve texto, en lugar de un artefacto de imagen o audio.
Arquitectura y funciones principales
Su desarrollador enumera un modelo de lenguaje de 8,400 millones de parámetros y un codificador visual de 400 millones de parámetros. Su ventana de contexto se describe como de 256k, y las notas de uso publicadas utilizan una longitud configurada predeterminada de 262,144. Esto describe la edición de tamaño 8B; los integrantes más pequeños de 3B y más grandes de 14B conservan sus propios tamaños de componentes y configuraciones.
La visión amplía la entrada del modelo más allá de una conversación escrita. Una imagen documental puede acompañarse de una pregunta sobre un campo, párrafo o relación visible seleccionados. Una captura de pantalla puede acompañarse del objetivo del usuario y una solicitud para identificar el control relevante. Solicita la observación que respalda cada conclusión cuando la respuesta dependa de un detalle visual, y conserva los encabezados, etiquetas y unidades necesarios para interpretar un recorte.
La ficha describe trabajo multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También identifica el seguimiento de instrucciones de sistema, las llamadas nativas a funciones y la salida JSON. Define explícitamente el idioma final, el rol y los requisitos de salida en lugar de dejar que el modelo infiera el artefacto previsto a partir de una entrada extensa.
Tareas documentales, de conversación y con agentes
Los casos de uso de su desarrollador incluyen interfaces de chat, asistentes cotidianos, descripción de imágenes y documentos, traducción, generación de contenido y agentes especializados. Para un asistente documental, proporciona la página y especifica la información que debe devolver. Una solicitud de extracción puede indicar las etiquetas de campos, los tipos esperados y el tratamiento de valores faltantes. Una respuesta útil puede contener el identificador del documento, el valor extraído y una explicación breve vinculada con la fuente visible.
Para una conversación continua, conserva la respuesta previa relevante y formula una pregunta posterior enfocada. Un usuario puede solicitar primero un resumen del documento y después preguntar qué declaración respalda una conclusión. Esto cambia la salida requerida de un panorama general a una explicación vinculada con la fuente, y conserva el material original y el propósito del diálogo.
Para edición multilingüe, proporciona el pasaje original, el lector previsto y una lista de terminología. Solicita una versión revisada que conserve nombres, condiciones y unidades, seguida de una explicación breve de los cambios si resulta útil. Para generación de contenido, especifica el público y los hechos que deben aparecer antes de pedir un borrador breve o una redacción alternativa.
En una tarea con agentes, la aplicación proporciona las herramientas y sus parámetros. El modelo puede elegir una función y preparar argumentos, mientras que la aplicación la ejecuta y devuelve el resultado. El ejemplo de función de la ficha combina una pregunta sobre una imagen con una herramienta de cálculo. Mantén separado el resultado de la herramienta de la llamada propuesta para que la respuesta escrita posterior use la información realmente devuelta por la operación.
Preparación y ajustes recomendados
Su desarrollador recomienda una instrucción de sistema que describa el entorno, el caso de uso y cómo se deben usar las herramientas. Mantén el conjunto de herramientas bien definido y limitado al mínimo necesario para la tarea. Un flujo pequeño de consulta puede ofrecer las funciones relevantes para la pregunta actual, con argumentos requeridos claramente identificados, en lugar de presentar una colección extensa de operaciones no relacionadas.
Para uso cotidiano y de tipo productivo, la ficha recomienda una temperatura inferior a 0.1, con temperaturas mayores disponibles para exploración creativa. Trata esto como una recomendación para el flujo de instrucciones, no como un control separado del modo de razonamiento. La familia tiene checkpoints Base, Instruct y Reasoning distintos; esta entrada corresponde a la edición Instruct 2512, no a la versión Reasoning independiente del mismo tamaño.
Para imágenes, su desarrollador recomienda relaciones de aspecto cercanas a 1:1 y evitar entradas muy delgadas o muy anchas. Recorta cuando sea necesario y conserva las etiquetas y el contexto que requiere la pregunta. Si una página contiene varias áreas no relacionadas, identifica la parte que se debe revisar y el resultado que debe devolver. Una imagen legible y enfocada resulta más útil que pedir al modelo que adivine qué detalle pequeño importa en una página amplia.
Límites de contexto y edición
Planea el texto, las imágenes, la conversación y la respuesta deseada según el contexto configurado. Las notas de uso permiten explícitamente reducir la longitud configurada del modelo cuando se necesita menos contexto, por lo que la ventana completa no es una instrucción para llenar cada solicitud con todo el material disponible. El ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo, y las fuentes consultadas no establecen una longitud máxima de respuesta estricta e independiente.
El checkpoint Instruct FP8, la versión Base preentrenada y la versión Reasoning son ediciones independientes. Su desarrollador también describe la especialización y el ajuste fino como casos de uso. Conserva el checkpoint identificado y su tokenizador al preparar la conversación, y distingue la generación de texto del acceso a repositorios, la ejecución de funciones u otras acciones proporcionadas por la aplicación que lo integra.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObligatorio | Valores y límites /v1/chat/completions | Predeterminado— |
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/ministral-8b-2512:batch | Predeterminado— |
Camporequests | Tipobatch_item[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Camporequests[].custom_id | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campocompletion_window | Tipostring | RequisitoOpcional | Valores y límites 24h | Predeterminado— |
Campoprovider | Tipoobject|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Camporequests[].body.model | Tipostring | RequisitoOpcional | Valores y límites mistralai/ministral-8b-2512:batch, mistralai/ministral-8b-2512 | Predeterminado— |
Campoprovider.only | Tipostring[] | RequisitoOpcional | Valores y límites mistral | Predeterminado— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoOpcional | Valores y límites false, null | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratoendpoint, model, requests |
Parámetromaterial_types | Contratotext |
Parámetrorepresentation | Contratorequests[] en línea; cada elemento tiene custom_id y body |
Parámetrorequest_endpoint_profile | Contrato/v1/chat/completions |
Parámetrofile_material | ContratoQuien realiza la llamada puede leer localmente el JSONL UTF-8 real e incorporarlo a requests[]. No se utiliza el campo purpose para cargas, ni input_file_id ni referencias a archivos. Si falta el material del cliente o está vacío, la preparación se detiene antes del POST. |
Parámetroserialization_order | Contratoendpoint, model, provider (si se proporciona), completion_window (si se proporciona), requests al final |
Parámetrooptional_controls | Contratoprovider.only, provider.allow_fallbacks, completion_window |
Parámetroschema_scope | ContratoCuerpos de solicitudes de texto de Chat Completions dentro de la estructura Batch en línea documentada. |
Ciclo de vida: asynchronous
GET /v1/batches/{operation_id} · El response.id real de la respuesta de creación original; el mismo usuario, clave y grupo
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00015 / 1K tokens Salida · Tokens de salida $0.00015 / 1K tokens Entrada · Lectura de caché $0.000015 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00015 / 1K tokens Salida · Tokens de salida $0.00015 / 1K tokens Entrada · Lectura de caché $0.000015 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/ministral-8b-2512:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/ministral-8b-2512:batch', 'mistralai/ministral-8b-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/ministral-8b-2512:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON de results[].response.body en línea
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el JSON completo del estado original, cada result/custom_id y el cuerpo completo de la respuesta o del error. Guarda results[] completados como JSONL sin filtrar.
Conserva el ID de la operación original. La respuesta 503 result_pending_check incluye X-Should-Retry:false; nunca vuelvas a enviar un lote original cuyo resultado sea desconocido.
| Campo | Tipo |
|---|---|
Camporesults[].custom_id | Tipostring |
Camporesults[].response.body.choices[].message.content | Tipostring|null |
Camporesults[].error | Tipoobject|null |
Campousage | Tipoobject|null |
Campoid | Tipostring |
Campomodel | Tipostring |
Campoendpoint | Tipostring |
Campostatus | Tipostring |
Camporequest_counts | Tipoobject |
Camporesults[].id | Tipostring |
Camporesults[].response.status_code | Tipointeger |
Camporesults[].response.request_id | Tipostring |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónLa estructura en línea documentada no es válida, hay claves duplicadas, existe un problema con la identidad de los elementos o hay un conflicto entre las capacidades configuradas del modelo. | Siguiente pasoCorrige los campos indicados antes de realizar cualquier nuevo envío. |
Respuesta401 · authentication_error | CondiciónClave de API no válida. | Siguiente pasoUsa la clave de Ailoot autorizada. |
Respuesta403 · permission_error | CondiciónGrupo de Batch no disponible. | Siguiente pasoVerifica los permisos de la clave y el grupo. |
Respuesta422 · invalid_request_error | CondiciónBatch usa facturación contra saldo; se rechazan las solicitudes de creación con una suscripción. | Siguiente pasoUsa el grupo autorizado con facturación contra saldo. |
Respuesta422 · price_unavailable | CondiciónNo se puede cotizar la entrada de Batch. | Siguiente pasoConserva la respuesta; usa la entrada documentada para la familia. |
Respuesta402 · billing_error | CondiciónReserva de Batch no disponible. | Siguiente pasoResuelve los requisitos de admisión antes de realizar una nueva solicitud. |
Respuesta503 · price_unavailable | CondiciónPrecio del método Batch o tarifas nativas no disponibles. | Siguiente pasoConserva la respuesta; no sustituyas los precios. |
Respuesta503 · api_error | CondiciónLa ruta exacta del proveedor no está disponible. | Siguiente pasoConserva la respuesta para reparar la ruta. |
Respuesta503 · result_pending_check | CondiciónEl resultado original requiere una revisión; X-Should-Retry:false. | Siguiente pasoConserva el operation_id/id original y consulta su estado; nunca repitas el POST original. |
Respuesta404 · not_found | CondiciónLa operación de consulta de estado de Batch no existe o pertenece a otra identidad. | Siguiente pasoUsa el id original exacto y el mismo usuario, clave y grupo. |
Ailoot Ultra mistralai/ministral-8b-2512:batch
Usa las rutas de método indicadas arriba.