Mistral Large 3 2512 es la edición de Mistral AI ajustada para seguir instrucciones, destinada a conversación general, comprensión visual y trabajo empresarial. Su arquitectura dispersa de mezcla de expertos tiene 675,000 millones de parámetros totales, con 41,000 millones activos, y una ventana de contexto de 256k. El texto y las imágenes pueden contribuir a una misma tarea, mientras que la respuesta es texto, código o un resultado estructurado.
Capacidades y preparación de entradas
El modelo combina un componente de lenguaje con un codificador visual. Asigna a la imagen una función clara: una página que leer, un diagrama que interpretar o una pantalla que explicar. Para una pantalla saturada, proporciona un recorte con los controles relevantes y conserva las etiquetas circundantes necesarias para entenderlos. Mistral recomienda imágenes de forma cercana al cuadrado; divide una fuente excepcionalmente angosta o ancha en regiones útiles en lugar de reducir los detalles importantes a una franja ilegible.
Su desarrollador enumera conversación multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. Indica el idioma de salida, el lector previsto y la terminología que debe conservarse. Para un artículo de soporte, solicita una explicación localizada que mantenga los nombres de productos y una lista breve de traducciones inciertas que se deban resolver antes de publicarlo.
Documentos largos y conocimiento empresarial
Usa el contexto para reunir material relacionado: texto de políticas, una especificación, decisiones existentes y la pregunta que necesita respuesta. Etiqueta cada fuente y su revisión. Una solicitud útil es: «Compara estas tres políticas de incorporación. Devuelve una tabla de requisitos compartidos, conflictos y preguntas sin responder, con la sección fuente de cada hallazgo». El artefacto resultante es una comparación basada en los pasajes proporcionados, no un resumen genérico del tema.
Para una pregunta sobre un documento, identifica el nivel de detalle deseado y solicita el pasaje de respaldo junto a la conclusión. El flujo Document QnA de Mistral primero extrae texto y estructura documental mediante OCR y después usa un modelo de lenguaje para interpretar ese material. Conserva números de página y encabezados al preparar el texto extraído para que la respuesta pueda remitir al original. Una URL documental, el texto extraído y la evidencia en imágenes tienen requisitos de preparación distintos; elige el formato de entrada compatible con la aplicación que usas.
Programación y asistencia cotidiana
Mistral orienta Large 3 a la asistencia de programación y a la conversación diaria. Proporciona las funciones relevantes, el comportamiento esperado y el fallo observado. Por ejemplo: «Este analizador elimina el último campo cuando la entrada termina sin un salto de línea. Explica la rama que falla, propone el cambio mínimo y devuelve la función corregida con tres ejemplos representativos de entrada y salida». El resultado útil es un cambio propuesto vinculado al código real y un conjunto de casos que el desarrollador pueda ejecutar.
Para un borrador empresarial, proporciona juntos los hechos y el artefacto deseado. Una solicitud para convertir notas de reunión en un memorando de decisión debe indicar la decisión, las alternativas, las suposiciones sin resolver y la siguiente acción. Pide al modelo que separe los hechos de la fuente de las recomendaciones y señale la información faltante dentro de la sección correspondiente. Así, la salida resulta más fácil de revisar que una narración sin distinciones.
Herramientas y resultados estructurados
Las llamadas nativas a funciones permiten al modelo elegir una función proporcionada y preparar sus argumentos. La aplicación ejecuta esa función y devuelve su resultado; el modelo usa después la información devuelta en la respuesta. Mantén las herramientas específicas y expón únicamente las necesarias para la tarea. Un asistente de inventario puede recibir una referencia de producto, solicitar una consulta de existencias y explicar la cantidad y el almacén devueltos. Valida la función seleccionada y sus argumentos antes de ejecutar la solicitud, y conserva la respuesta de la herramienta junto con la respuesta final.
Para extraer información, especifica los campos, tipos y tratamiento de los valores faltantes. Mistral documenta el modo JSON y la salida estructurada personalizada; su modo JSON requiere una instrucción explícita de devolver JSON, mientras que un esquema personalizado aporta un control de formato más fuerte. Un resumen de factura puede pedir proveedor, número de factura, fecha de vencimiento, moneda y partidas, con una representación consistente de valores faltantes. Contrasta los valores extraídos con el documento, incluso cuando la respuesta coincida con la estructura solicitada.
Ajustes y diferencias entre ediciones
Define el rol, la tarea y las reglas de herramientas en las instrucciones de sistema. Mistral recomienda una temperatura inferior a 0.1 para uso productivo y cotidiano de este checkpoint, y explorar valores mayores para tareas creativas. Separa una solicitud de ideas variadas de una extracción reproducible: da espacio a alternativas en la primera y campos explícitos y restricciones de fuente en la segunda.
Esta edición de instrucciones es independiente del checkpoint base Large 3 y de los modelos dedicados al razonamiento. Su desarrollador identifica el razonamiento estricto y el trabajo visual especializado como áreas en las que puede ser preferible un modelo diseñado específicamente para esas tareas. Para un cálculo difícil, proporciona las suposiciones y las unidades, solicita comprobaciones intermedias y usa una herramienta de cálculo disponible para verificar el resultado. Para evidencia visual densa, prepara regiones legibles y compara la respuesta con la fuente antes de usarla en un informe.
", "aboutText": "Mistral Large 3 2512 es la edición de Mistral AI ajustada para seguir instrucciones, destinada a conversación general, comprensión visual y trabajo empresarial. Su arquitectura dispersa de mezcla de expertos tiene 675,000 millones de parámetros totales, con 41,000 millones activos, y una ventana de contexto de 256k. El texto y las imágenes pueden contribuir a una misma tarea, mientras que la respuesta es texto, código o un resultado estructurado.\n\nCapacidades y preparación de entradas\n\nEl modelo combina un componente de lenguaje con un codificador visual. Asigna a la imagen una función clara: una página que leer, un diagrama que interpretar o una pantalla que explicar. Para una pantalla saturada, proporciona un recorte con los controles relevantes y conserva las etiquetas circundantes necesarias para entenderlos. Mistral recomienda imágenes de forma cercana al cuadrado; divide una fuente excepcionalmente angosta o ancha en regiones útiles en lugar de reducir los detalles importantes a una franja ilegible.\n\nSu desarrollador enumera conversación multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. Indica el idioma de salida, el lector previsto y la terminología que debe conservarse. Para un artículo de soporte, solicita una explicación localizada que mantenga los nombres de productos y una lista breve de traducciones inciertas que se deban resolver antes de publicarlo.\n\nDocumentos largos y conocimiento empresarial\n\nUsa el contexto para reunir material relacionado: texto de políticas, una especificación, decisiones existentes y la pregunta que necesita respuesta. Etiqueta cada fuente y su revisión. Una solicitud útil es: «Compara estas tres políticas de incorporación. Devuelve una tabla de requisitos compartidos, conflictos y preguntas sin responder, con la sección fuente de cada hallazgo». El artefacto resultante es una comparación basada en los pasajes proporcionados, no un resumen genérico del tema.\n\nPara una pregunta sobre un documento, identifica el nivel de detalle deseado y solicita el pasaje de respaldo junto a la conclusión. El flujo Document QnA de Mistral primero extrae texto y estructura documental mediante OCR y después usa un modelo de lenguaje para interpretar ese material. Conserva números de página y encabezados al preparar el texto extraído para que la respuesta pueda remitir al original. Una URL documental, el texto extraído y la evidencia en imágenes tienen requisitos de preparación distintos; elige el formato de entrada compatible con la aplicación que usas.\n\nProgramación y asistencia cotidiana\n\nMistral orienta Large 3 a la asistencia de programación y a la conversación diaria. Proporciona las funciones relevantes, el comportamiento esperado y el fallo observado. Por ejemplo: «Este analizador elimina el último campo cuando la entrada termina sin un salto de línea. Explica la rama que falla, propone el cambio mínimo y devuelve la función corregida con tres ejemplos representativos de entrada y salida». El resultado útil es un cambio propuesto vinculado al código real y un conjunto de casos que el desarrollador pueda ejecutar.\n\nPara un borrador empresarial, proporciona juntos los hechos y el artefacto deseado. Una solicitud para convertir notas de reunión en un memorando de decisión debe indicar la decisión, las alternativas, las suposiciones sin resolver y la siguiente acción. Pide al modelo que separe los hechos de la fuente de las recomendaciones y señale la información faltante dentro de la sección correspondiente. Así, la salida resulta más fácil de revisar que una narración sin distinciones.\n\nHerramientas y resultados estructurados\n\nLas llamadas nativas a funciones permiten al modelo elegir una función proporcionada y preparar sus argumentos. La aplicación ejecuta esa función y devuelve su resultado; el modelo usa después la información devuelta en la respuesta. Mantén las herramientas específicas y expón únicamente las necesarias para la tarea. Un asistente de inventario puede recibir una referencia de producto, solicitar una consulta de existencias y explicar la cantidad y el almacén devueltos. Valida la función seleccionada y sus argumentos antes de ejecutar la solicitud, y conserva la respuesta de la herramienta junto con la respuesta final.\n\nPara extraer información, especifica los campos, tipos y tratamiento de los valores faltantes. Mistral documenta el modo JSON y la salida estructurada personalizada; su modo JSON requiere una instrucción explícita de devolver JSON, mientras que un esquema personalizado aporta un control de formato más fuerte. Un resumen de factura puede pedir proveedor, número de factura, fecha de vencimiento, moneda y partidas, con una representación consistente de valores faltantes. Contrasta los valores extraídos con el documento, incluso cuando la respuesta coincida con la estructura solicitada.\n\nAjustes y diferencias entre ediciones\n\nDefine el rol, la tarea y las reglas de herramientas en las instrucciones de sistema. Mistral recomienda una temperatura inferior a 0.1 para uso productivo y cotidiano de este checkpoint, y explorar valores mayores para tareas creativas. Separa una solicitud de ideas variadas de una extracción reproducible: da espacio a alternativas en la primera y campos explícitos y restricciones de fuente en la segunda.\n\nEsta edición de instrucciones es independiente del checkpoint base Large 3 y de los modelos dedicados al razonamiento. Su desarrollador identifica el razonamiento estricto y el trabajo visual especializado como áreas en las que puede ser preferible un modelo diseñado específicamente para esas tareas. Para un cálculo difícil, proporciona las suposiciones y las unidades, solicita comprobaciones intermedias y usa una herramienta de cálculo disponible para verificar el resultado. Para evidencia visual densa, prepara regiones legibles y compara la respuesta con la fuente antes de usarla en un informe.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "cf7d1191fa2568d96d725fea2be1b1a0ead29e47ba706495cd01392467fd7623", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "mistralai/mistral-large-2512:batchMistral Large 3 2512 es un modelo multilingüe de texto e imágenes para documentos largos, conocimiento empresarial, programación y trabajo asistido por herramientas. Su contexto de 256k, las llamadas nativas a funciones y la salida estructurada ayudan a convertir evidencia proporcionada en respuestas, registros y acciones propuestas.
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 3 2512 es la edición de Mistral AI ajustada para seguir instrucciones, destinada a conversación general, comprensión visual y trabajo empresarial. Su arquitectura dispersa de mezcla de expertos tiene 675,000 millones de parámetros totales, con 41,000 millones activos, y una ventana de contexto de 256k. El texto y las imágenes pueden contribuir a una misma tarea, mientras que la respuesta es texto, código o un resultado estructurado.
Capacidades y preparación de entradas
El modelo combina un componente de lenguaje con un codificador visual. Asigna a la imagen una función clara: una página que leer, un diagrama que interpretar o una pantalla que explicar. Para una pantalla saturada, proporciona un recorte con los controles relevantes y conserva las etiquetas circundantes necesarias para entenderlos. Mistral recomienda imágenes de forma cercana al cuadrado; divide una fuente excepcionalmente angosta o ancha en regiones útiles en lugar de reducir los detalles importantes a una franja ilegible.
Su desarrollador enumera conversación multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. Indica el idioma de salida, el lector previsto y la terminología que debe conservarse. Para un artículo de soporte, solicita una explicación localizada que mantenga los nombres de productos y una lista breve de traducciones inciertas que se deban resolver antes de publicarlo.
Documentos largos y conocimiento empresarial
Usa el contexto para reunir material relacionado: texto de políticas, una especificación, decisiones existentes y la pregunta que necesita respuesta. Etiqueta cada fuente y su revisión. Una solicitud útil es: «Compara estas tres políticas de incorporación. Devuelve una tabla de requisitos compartidos, conflictos y preguntas sin responder, con la sección fuente de cada hallazgo». El artefacto resultante es una comparación basada en los pasajes proporcionados, no un resumen genérico del tema.
Para una pregunta sobre un documento, identifica el nivel de detalle deseado y solicita el pasaje de respaldo junto a la conclusión. El flujo Document QnA de Mistral primero extrae texto y estructura documental mediante OCR y después usa un modelo de lenguaje para interpretar ese material. Conserva números de página y encabezados al preparar el texto extraído para que la respuesta pueda remitir al original. Una URL documental, el texto extraído y la evidencia en imágenes tienen requisitos de preparación distintos; elige el formato de entrada compatible con la aplicación que usas.
Programación y asistencia cotidiana
Mistral orienta Large 3 a la asistencia de programación y a la conversación diaria. Proporciona las funciones relevantes, el comportamiento esperado y el fallo observado. Por ejemplo: «Este analizador elimina el último campo cuando la entrada termina sin un salto de línea. Explica la rama que falla, propone el cambio mínimo y devuelve la función corregida con tres ejemplos representativos de entrada y salida». El resultado útil es un cambio propuesto vinculado al código real y un conjunto de casos que el desarrollador pueda ejecutar.
Para un borrador empresarial, proporciona juntos los hechos y el artefacto deseado. Una solicitud para convertir notas de reunión en un memorando de decisión debe indicar la decisión, las alternativas, las suposiciones sin resolver y la siguiente acción. Pide al modelo que separe los hechos de la fuente de las recomendaciones y señale la información faltante dentro de la sección correspondiente. Así, la salida resulta más fácil de revisar que una narración sin distinciones.
Herramientas y resultados estructurados
Las llamadas nativas a funciones permiten al modelo elegir una función proporcionada y preparar sus argumentos. La aplicación ejecuta esa función y devuelve su resultado; el modelo usa después la información devuelta en la respuesta. Mantén las herramientas específicas y expón únicamente las necesarias para la tarea. Un asistente de inventario puede recibir una referencia de producto, solicitar una consulta de existencias y explicar la cantidad y el almacén devueltos. Valida la función seleccionada y sus argumentos antes de ejecutar la solicitud, y conserva la respuesta de la herramienta junto con la respuesta final.
Para extraer información, especifica los campos, tipos y tratamiento de los valores faltantes. Mistral documenta el modo JSON y la salida estructurada personalizada; su modo JSON requiere una instrucción explícita de devolver JSON, mientras que un esquema personalizado aporta un control de formato más fuerte. Un resumen de factura puede pedir proveedor, número de factura, fecha de vencimiento, moneda y partidas, con una representación consistente de valores faltantes. Contrasta los valores extraídos con el documento, incluso cuando la respuesta coincida con la estructura solicitada.
Ajustes y diferencias entre ediciones
Define el rol, la tarea y las reglas de herramientas en las instrucciones de sistema. Mistral recomienda una temperatura inferior a 0.1 para uso productivo y cotidiano de este checkpoint, y explorar valores mayores para tareas creativas. Separa una solicitud de ideas variadas de una extracción reproducible: da espacio a alternativas en la primera y campos explícitos y restricciones de fuente en la segunda.
Esta edición de instrucciones es independiente del checkpoint base Large 3 y de los modelos dedicados al razonamiento. Su desarrollador identifica el razonamiento estricto y el trabajo visual especializado como áreas en las que puede ser preferible un modelo diseñado específicamente para esas tareas. Para un cálculo difícil, proporciona las suposiciones y las unidades, solicita comprobaciones intermedias y usa una herramienta de cálculo disponible para verificar el resultado. Para evidencia visual densa, prepara regiones legibles y compara la respuesta con la fuente antes de usarla en un informe.
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/mistral-large-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/mistral-large-2512:batch, mistralai/mistral-large-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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00005 / 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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00005 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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/mistral-large-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/mistral-large-2512:batch', 'mistralai/mistral-large-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-large-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/mistral-large-2512:batch
Usa las rutas de método indicadas arriba.