Mistral Large 2407 es la edición 24.07 de Mistral Large 2 de Mistral AI. Es un modelo de lenguaje denso con 123,000 millones de parámetros y una ventana de contexto de 128K. El modelo procesa instrucciones escritas y conversación para generar texto, código o JSON. Esta edición fija permanece separada de las generaciones multimodales Large posteriores y de una selección variable de la familia Large.
El trabajo multilingüe es central en la versión. Su desarrollador describe compatibilidad con decenas de idiomas, entre ellos inglés, francés, alemán, español, italiano, portugués, neerlandés, ruso, chino, japonés, coreano, árabe e hindi. Para una tarea documental, especifica el idioma de origen, el idioma de la respuesta y la terminología que debe conservarse sin cambios. Un resultado útil puede comparar dos pasajes, resumir un registro largo o extraer la información necesaria para una decisión empresarial.
La programación es otro enfoque principal: el entrenamiento abarca más de 80 lenguajes de programación, incluidos Python, Java, C, C++, JavaScript, Bash, Swift y Fortran. Prepara una asignación de software con el código relevante, el comportamiento esperado y la restricción que debe conservarse. Solicita el cambio propuesto y su razonamiento, seguidos de comprobaciones que aborden el fallo observado. Esto vincula el código generado con un resultado definido, en lugar de dejar la tarea en un fragmento plausible.
La versión enfatiza el razonamiento matemático, el seguimiento preciso de instrucciones y las conversaciones largas de varios turnos. Su entrenamiento fomenta respuestas concisas y el reconocimiento de información faltante cuando no existe respaldo para una solución segura. Un prompt de resolución de problemas puede proporcionar las premisas y solicitar la conclusión, los pasos intermedios relevantes y cualquier entrada faltante. Los turnos posteriores pueden refinar una restricción mientras mantienen disponible la conversación establecida.
Las llamadas nativas a funciones admiten llamadas paralelas y sucesivas, y la salida JSON puede pasar información a una aplicación. Describe las funciones disponibles y sus campos de entrada, y después proporciona el objetivo del usuario. El modelo propone las llamadas a funciones; la aplicación las ejecuta y devuelve sus resultados antes de que el modelo continúe. Conserva la asociación entre llamada y resultado durante todo ese intercambio. Los ejemplos publicados de esta edición exacta usan identificadores de llamadas a herramientas de nueve caracteres alfanuméricos en el protocolo de su desarrollador.
Para trabajo basado en recuperación de información, proporciona el material relevante o permite que la aplicación que lo integra lo recupere. Pide que la respuesta identifique el pasaje que respalda cada conclusión. Por ejemplo, un asistente de políticas puede comparar la situación de un usuario con la política proporcionada y devolver la regla aplicable, la evidencia y la siguiente pregunta por resolver. Una tarea de extracción JSON debe definir los campos requeridos y el tratamiento de la información ausente de la fuente. Generar JSON es una capacidad del modelo; la aplicación sigue comprobando si el resultado coincide con la estructura que requiere.
El checkpoint publicado de instrucciones no tiene mecanismos integrados de moderación, como señala explícitamente su ficha. Una aplicación que requiera salida moderada necesita sus propios controles. El contexto largo del modelo también sigue siendo un recurso finito: prepara las secciones relevantes de documentos y la conversación para que la respuesta solicitada tenga espacio junto con la entrada.
", "aboutText": "Mistral Large 2407 es la edición 24.07 de Mistral Large 2 de Mistral AI. Es un modelo de lenguaje denso con 123,000 millones de parámetros y una ventana de contexto de 128K. El modelo procesa instrucciones escritas y conversación para generar texto, código o JSON. Esta edición fija permanece separada de las generaciones multimodales Large posteriores y de una selección variable de la familia Large.\n\nEl trabajo multilingüe es central en la versión. Su desarrollador describe compatibilidad con decenas de idiomas, entre ellos inglés, francés, alemán, español, italiano, portugués, neerlandés, ruso, chino, japonés, coreano, árabe e hindi. Para una tarea documental, especifica el idioma de origen, el idioma de la respuesta y la terminología que debe conservarse sin cambios. Un resultado útil puede comparar dos pasajes, resumir un registro largo o extraer la información necesaria para una decisión empresarial.\n\nLa programación es otro enfoque principal: el entrenamiento abarca más de 80 lenguajes de programación, incluidos Python, Java, C, C++, JavaScript, Bash, Swift y Fortran. Prepara una asignación de software con el código relevante, el comportamiento esperado y la restricción que debe conservarse. Solicita el cambio propuesto y su razonamiento, seguidos de comprobaciones que aborden el fallo observado. Esto vincula el código generado con un resultado definido, en lugar de dejar la tarea en un fragmento plausible.\n\nLa versión enfatiza el razonamiento matemático, el seguimiento preciso de instrucciones y las conversaciones largas de varios turnos. Su entrenamiento fomenta respuestas concisas y el reconocimiento de información faltante cuando no existe respaldo para una solución segura. Un prompt de resolución de problemas puede proporcionar las premisas y solicitar la conclusión, los pasos intermedios relevantes y cualquier entrada faltante. Los turnos posteriores pueden refinar una restricción mientras mantienen disponible la conversación establecida.\n\nLas llamadas nativas a funciones admiten llamadas paralelas y sucesivas, y la salida JSON puede pasar información a una aplicación. Describe las funciones disponibles y sus campos de entrada, y después proporciona el objetivo del usuario. El modelo propone las llamadas a funciones; la aplicación las ejecuta y devuelve sus resultados antes de que el modelo continúe. Conserva la asociación entre llamada y resultado durante todo ese intercambio. Los ejemplos publicados de esta edición exacta usan identificadores de llamadas a herramientas de nueve caracteres alfanuméricos en el protocolo de su desarrollador.\n\nPara trabajo basado en recuperación de información, proporciona el material relevante o permite que la aplicación que lo integra lo recupere. Pide que la respuesta identifique el pasaje que respalda cada conclusión. Por ejemplo, un asistente de políticas puede comparar la situación de un usuario con la política proporcionada y devolver la regla aplicable, la evidencia y la siguiente pregunta por resolver. Una tarea de extracción JSON debe definir los campos requeridos y el tratamiento de la información ausente de la fuente. Generar JSON es una capacidad del modelo; la aplicación sigue comprobando si el resultado coincide con la estructura que requiere.\n\nEl checkpoint publicado de instrucciones no tiene mecanismos integrados de moderación, como señala explícitamente su ficha. Una aplicación que requiera salida moderada necesita sus propios controles. El contexto largo del modelo también sigue siendo un recurso finito: prepara las secciones relevantes de documentos y la conversación para que la respuesta solicitada tenga espacio junto con la entrada.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.mistralai/mistral-large-2407Mistral Large 2407 es la edición densa de 123B de Mistral Large 2 para texto multilingüe, programación y razonamiento con un contexto de 128K. Las llamadas nativas a funciones, la salida JSON y el seguimiento de instrucciones en varios turnos permiten flujos documentales y empresariales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Large 2407 es la edición 24.07 de Mistral Large 2 de Mistral AI. Es un modelo de lenguaje denso con 123,000 millones de parámetros y una ventana de contexto de 128K. El modelo procesa instrucciones escritas y conversación para generar texto, código o JSON. Esta edición fija permanece separada de las generaciones multimodales Large posteriores y de una selección variable de la familia Large.
El trabajo multilingüe es central en la versión. Su desarrollador describe compatibilidad con decenas de idiomas, entre ellos inglés, francés, alemán, español, italiano, portugués, neerlandés, ruso, chino, japonés, coreano, árabe e hindi. Para una tarea documental, especifica el idioma de origen, el idioma de la respuesta y la terminología que debe conservarse sin cambios. Un resultado útil puede comparar dos pasajes, resumir un registro largo o extraer la información necesaria para una decisión empresarial.
La programación es otro enfoque principal: el entrenamiento abarca más de 80 lenguajes de programación, incluidos Python, Java, C, C++, JavaScript, Bash, Swift y Fortran. Prepara una asignación de software con el código relevante, el comportamiento esperado y la restricción que debe conservarse. Solicita el cambio propuesto y su razonamiento, seguidos de comprobaciones que aborden el fallo observado. Esto vincula el código generado con un resultado definido, en lugar de dejar la tarea en un fragmento plausible.
La versión enfatiza el razonamiento matemático, el seguimiento preciso de instrucciones y las conversaciones largas de varios turnos. Su entrenamiento fomenta respuestas concisas y el reconocimiento de información faltante cuando no existe respaldo para una solución segura. Un prompt de resolución de problemas puede proporcionar las premisas y solicitar la conclusión, los pasos intermedios relevantes y cualquier entrada faltante. Los turnos posteriores pueden refinar una restricción mientras mantienen disponible la conversación establecida.
Las llamadas nativas a funciones admiten llamadas paralelas y sucesivas, y la salida JSON puede pasar información a una aplicación. Describe las funciones disponibles y sus campos de entrada, y después proporciona el objetivo del usuario. El modelo propone las llamadas a funciones; la aplicación las ejecuta y devuelve sus resultados antes de que el modelo continúe. Conserva la asociación entre llamada y resultado durante todo ese intercambio. Los ejemplos publicados de esta edición exacta usan identificadores de llamadas a herramientas de nueve caracteres alfanuméricos en el protocolo de su desarrollador.
Para trabajo basado en recuperación de información, proporciona el material relevante o permite que la aplicación que lo integra lo recupere. Pide que la respuesta identifique el pasaje que respalda cada conclusión. Por ejemplo, un asistente de políticas puede comparar la situación de un usuario con la política proporcionada y devolver la regla aplicable, la evidencia y la siguiente pregunta por resolver. Una tarea de extracción JSON debe definir los campos requeridos y el tratamiento de la información ausente de la fuente. Generar JSON es una capacidad del modelo; la aplicación sigue comprobando si el resultado coincide con la estructura que requiere.
El checkpoint publicado de instrucciones no tiene mecanismos integrados de moderación, como señala explícitamente su ficha. Una aplicación que requiera salida moderada necesita sus propios controles. El contexto largo del modelo también sigue siendo un recurso finito: prepara las secciones relevantes de documentos y la conversación para que la respuesta solicitada tenga espacio junto con la entrada.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-large-2407 | 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.
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 $0.01 / 1K tokens Salida · Tokens de salida $0.02 / 1K tokens Entrada · Lectura de caché $0.0004 / 1K tokens Entrada · Escritura en caché $0 / 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 $0.01 / 1K tokens Salida · Tokens de salida $0.02 / 1K tokens Entrada · Lectura de caché $0.0004 / 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": "mistralai/mistral-large-2407", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-2407',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-2407',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 mistralai/mistral-large-2407
Usa las rutas de método indicadas arriba.
mistralai/mistral-large-2407Mistral Large 2407 es la edición densa de 123B de Mistral Large 2 para texto multilingüe, programación y razonamiento con un contexto de 128K. Las llamadas nativas a funciones, la salida JSON y el seguimiento de instrucciones en varios turnos permiten flujos documentales y empresariales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Large 2407 es la edición 24.07 de Mistral Large 2 de Mistral AI. Es un modelo de lenguaje denso con 123,000 millones de parámetros y una ventana de contexto de 128K. El modelo procesa instrucciones escritas y conversación para generar texto, código o JSON. Esta edición fija permanece separada de las generaciones multimodales Large posteriores y de una selección variable de la familia Large.
El trabajo multilingüe es central en la versión. Su desarrollador describe compatibilidad con decenas de idiomas, entre ellos inglés, francés, alemán, español, italiano, portugués, neerlandés, ruso, chino, japonés, coreano, árabe e hindi. Para una tarea documental, especifica el idioma de origen, el idioma de la respuesta y la terminología que debe conservarse sin cambios. Un resultado útil puede comparar dos pasajes, resumir un registro largo o extraer la información necesaria para una decisión empresarial.
La programación es otro enfoque principal: el entrenamiento abarca más de 80 lenguajes de programación, incluidos Python, Java, C, C++, JavaScript, Bash, Swift y Fortran. Prepara una asignación de software con el código relevante, el comportamiento esperado y la restricción que debe conservarse. Solicita el cambio propuesto y su razonamiento, seguidos de comprobaciones que aborden el fallo observado. Esto vincula el código generado con un resultado definido, en lugar de dejar la tarea en un fragmento plausible.
La versión enfatiza el razonamiento matemático, el seguimiento preciso de instrucciones y las conversaciones largas de varios turnos. Su entrenamiento fomenta respuestas concisas y el reconocimiento de información faltante cuando no existe respaldo para una solución segura. Un prompt de resolución de problemas puede proporcionar las premisas y solicitar la conclusión, los pasos intermedios relevantes y cualquier entrada faltante. Los turnos posteriores pueden refinar una restricción mientras mantienen disponible la conversación establecida.
Las llamadas nativas a funciones admiten llamadas paralelas y sucesivas, y la salida JSON puede pasar información a una aplicación. Describe las funciones disponibles y sus campos de entrada, y después proporciona el objetivo del usuario. El modelo propone las llamadas a funciones; la aplicación las ejecuta y devuelve sus resultados antes de que el modelo continúe. Conserva la asociación entre llamada y resultado durante todo ese intercambio. Los ejemplos publicados de esta edición exacta usan identificadores de llamadas a herramientas de nueve caracteres alfanuméricos en el protocolo de su desarrollador.
Para trabajo basado en recuperación de información, proporciona el material relevante o permite que la aplicación que lo integra lo recupere. Pide que la respuesta identifique el pasaje que respalda cada conclusión. Por ejemplo, un asistente de políticas puede comparar la situación de un usuario con la política proporcionada y devolver la regla aplicable, la evidencia y la siguiente pregunta por resolver. Una tarea de extracción JSON debe definir los campos requeridos y el tratamiento de la información ausente de la fuente. Generar JSON es una capacidad del modelo; la aplicación sigue comprobando si el resultado coincide con la estructura que requiere.
El checkpoint publicado de instrucciones no tiene mecanismos integrados de moderación, como señala explícitamente su ficha. Una aplicación que requiera salida moderada necesita sus propios controles. El contexto largo del modelo también sigue siendo un recurso finito: prepara las secciones relevantes de documentos y la conversación para que la respuesta solicitada tenga espacio junto con la entrada.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-large-2407 | 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.
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 $0.01 / 1K tokens Salida · Tokens de salida $0.02 / 1K tokens Entrada · Lectura de caché $0.0004 / 1K tokens Entrada · Escritura en caché $0 / 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 $0.01 / 1K tokens Salida · Tokens de salida $0.02 / 1K tokens Entrada · Lectura de caché $0.0004 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistralai/mistral-large-2407",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2407', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2407', '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 mistralai/mistral-large-2407
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.