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": { "practical_html": "Ejemplo técnico en inglés
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral 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/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-large-2512 | 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 $0.0022 / 1K tokens Salida · Tokens de salida $0.0066 / 1K tokens Entrada · Lectura de caché $0.0001 / 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 $0.0022 / 1K tokens Salida · Tokens de salida $0.0066 / 1K tokens Entrada · Lectura de caché $0.0001 / 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-2512", "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-2512',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-2512',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-2512
Usa las rutas de método indicadas arriba.
mistralai/mistral-large-2512Mistral 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/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-large-2512 | 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 $0.0022 / 1K tokens Salida · Tokens de salida $0.0066 / 1K tokens Entrada · Lectura de caché $0.0001 / 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 $0.0022 / 1K tokens Salida · Tokens de salida $0.0066 / 1K tokens Entrada · Lectura de caché $0.0001 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2512', '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-2512', '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-2512
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.