Mistral Medium 3.1 es una edición multimodal de Mistral AI para comprensión textual y visual. Su desarrollador describe esta revisión como una mejora del tono y el desempeño dentro de la línea Medium 3. Acepta texto e imágenes y produce texto: una explicación, una respuesta documental, un registro estructurado o una llamada a función propuesta. El identificador fijo de su desarrollador para esta edición es mistral-medium-2508.
Contexto y edición específica
La página del modelo documenta una ventana de contexto de 128k. Úsala para mantener juntos los pasajes fuente relacionados, la evidencia visual, la conversación y la tarea del usuario. Identifica las funciones de los documentos y la pregunta que se debe responder antes de proporcionar una colección extensa. Un contexto largo puede permitir una comparación enfocada mientras el artefacto final sigue siendo una tabla breve o una sección revisada.
Medium 3.1 conserva su propia especificación. El contexto de 256k, la arquitectura densa de 128B y los modos configurables de razonamiento híbrido descritos para Medium 3.5 no deben atribuirse a esta entrada. La página de 3.1 no proporciona un número de parámetros ni una cifra máxima independiente de longitud de respuesta que pueda sustituirse de forma segura con datos del modelo posterior.
Salida estructurada y funciones
Su desarrollador enumera salidas estructuradas, llamadas a funciones y salidas predichas entre las funciones de esta edición. Para una tarea de extracción estructurada, define los campos requeridos, los tipos esperados y el tratamiento de la información ausente de la fuente. Un registro puede contener el identificador del documento, la declaración extraída, su ubicación de origen y la pregunta que queda pendiente. Solicita únicamente el registro cuando lo vaya a interpretar un programa, o mantén separada una explicación en prosa cuando alguien deba revisar la interpretación.
La documentación compartida de salida estructurada de Mistral distingue el modo JSON de un esquema personalizado. El modo JSON requiere una instrucción explícita sobre el formato JSON deseado, mientras que la vía personalizada define una estructura más específica. Esto da formato al resultado de texto, no constituye una nueva modalidad de contenido ni una acción externa.
Para funciones, la aplicación define la operación disponible y los argumentos, el modelo selecciona una llamada apropiada y prepara los valores, y la aplicación la ejecuta. Su resultado se convierte después en información para la siguiente respuesta. Un asistente documental puede usar una consulta para obtener datos de referencia faltantes, pero solo si la aplicación que lo integra proporciona esa consulta y devuelve su resultado real. Mantén asociados la llamada propuesta y los datos devueltos.
Ediciones predichas y prefijos de respuesta
Las salidas predichas son útiles cuando ya se conoce la mayor parte del resultado deseado, como un documento o archivo de código que necesita una edición limitada. Proporciona el contenido existente y describe el cambio con precisión, incluido lo que debe permanecer sin cambios. Una solicitud podría actualizar la terminología de una sección o reemplazar un detalle de implementación mientras conserva el resto del documento. La predicción contiene contenido esperado de salida, no un cambio completado y aplicado a un archivo.
La página del modelo también enumera continuación de prefijos de respuesta. En la documentación de chat de su desarrollador, un prefijo proporciona un inicio conocido para la respuesta del asistente, después del cual continúa la generación. Un inicio conocido y un cuerpo predicho resuelven problemas de preparación diferentes. Del mismo modo, el procesamiento por lotes y las interfaces de agente o conversación son funciones de flujo de trabajo, no ediciones independientes de imágenes, audio o razonamiento de Medium 3.1.
Preguntas documentales y visuales
El flujo enumerado de preguntas sobre documentos combina texto, estructura y formato preparados mediante OCR con análisis del modelo de lenguaje. Pregunta por la condición, pasaje o relación específicos que requiere la tarea. Una comparación puede identificar los documentos fuente y solicitar declaraciones compartidas, conflictos y detalles pendientes, conservando la ubicación de la fuente junto a cada hallazgo.
La guía de visión de su desarrollador incluye explícitamente Medium 3.1. Una pregunta visual directa puede proporcionar una gráfica legible, una imagen documental o una captura de pantalla y preguntar qué evidencia visible respalda una conclusión. Conserva los ejes, unidades, etiquetas y el contexto alrededor de un campo recortado. Si se proporcionan varias imágenes, identifica su orden y función en lugar de dejar al modelo inferir cuál es el original, la revisión o la referencia.
Por ejemplo, acompaña un requisito escrito de proceso con una captura de pantalla y solicita una tabla de coincidencias visibles, diferencias y preguntas que requieren más información. Otra tarea puede proporcionar dos versiones de un documento y pedir un pasaje revisado que conserve sus condiciones compartidas y resuelva una inconsistencia identificada. Son aplicaciones propuestas de las capacidades visuales, documentales y de edición documentadas, con el resultado requerido definido de antemano.
Preparación del artefacto final
Da al asistente un rol claro, el material fuente que debe usar y el formato de la respuesta. Mantén las reglas duraderas de respuesta separadas del documento examinado e indica el idioma final y la terminología. Una respuesta útil puede separar un hecho extraído, su fuente y una interpretación, lo que facilita su revisión frente a un solo resumen combinado.
El resultado documentado sigue siendo texto. Las herramientas externas, los cambios de archivos y el procesamiento documental adicional pertenecen a la aplicación conectada con la conversación. Conserva la edición identificada Medium 3.1 y su contexto de 128k, y solicita la explicación, el registro estructurado o la revisión específica que necesita realmente el siguiente paso.
", "aboutText": "Mistral Medium 3.1 es una edición multimodal de Mistral AI para comprensión textual y visual. Su desarrollador describe esta revisión como una mejora del tono y el desempeño dentro de la línea Medium 3. Acepta texto e imágenes y produce texto: una explicación, una respuesta documental, un registro estructurado o una llamada a función propuesta. El identificador fijo de su desarrollador para esta edición es mistral-medium-2508.\n\nContexto y edición específica\n\nLa página del modelo documenta una ventana de contexto de 128k. Úsala para mantener juntos los pasajes fuente relacionados, la evidencia visual, la conversación y la tarea del usuario. Identifica las funciones de los documentos y la pregunta que se debe responder antes de proporcionar una colección extensa. Un contexto largo puede permitir una comparación enfocada mientras el artefacto final sigue siendo una tabla breve o una sección revisada.\n\nMedium 3.1 conserva su propia especificación. El contexto de 256k, la arquitectura densa de 128B y los modos configurables de razonamiento híbrido descritos para Medium 3.5 no deben atribuirse a esta entrada. La página de 3.1 no proporciona un número de parámetros ni una cifra máxima independiente de longitud de respuesta que pueda sustituirse de forma segura con datos del modelo posterior.\n\nSalida estructurada y funciones\n\nSu desarrollador enumera salidas estructuradas, llamadas a funciones y salidas predichas entre las funciones de esta edición. Para una tarea de extracción estructurada, define los campos requeridos, los tipos esperados y el tratamiento de la información ausente de la fuente. Un registro puede contener el identificador del documento, la declaración extraída, su ubicación de origen y la pregunta que queda pendiente. Solicita únicamente el registro cuando lo vaya a interpretar un programa, o mantén separada una explicación en prosa cuando alguien deba revisar la interpretación.\n\nLa documentación compartida de salida estructurada de Mistral distingue el modo JSON de un esquema personalizado. El modo JSON requiere una instrucción explícita sobre el formato JSON deseado, mientras que la vía personalizada define una estructura más específica. Esto da formato al resultado de texto, no constituye una nueva modalidad de contenido ni una acción externa.\n\nPara funciones, la aplicación define la operación disponible y los argumentos, el modelo selecciona una llamada apropiada y prepara los valores, y la aplicación la ejecuta. Su resultado se convierte después en información para la siguiente respuesta. Un asistente documental puede usar una consulta para obtener datos de referencia faltantes, pero solo si la aplicación que lo integra proporciona esa consulta y devuelve su resultado real. Mantén asociados la llamada propuesta y los datos devueltos.\n\nEdiciones predichas y prefijos de respuesta\n\nLas salidas predichas son útiles cuando ya se conoce la mayor parte del resultado deseado, como un documento o archivo de código que necesita una edición limitada. Proporciona el contenido existente y describe el cambio con precisión, incluido lo que debe permanecer sin cambios. Una solicitud podría actualizar la terminología de una sección o reemplazar un detalle de implementación mientras conserva el resto del documento. La predicción contiene contenido esperado de salida, no un cambio completado y aplicado a un archivo.\n\nLa página del modelo también enumera continuación de prefijos de respuesta. En la documentación de chat de su desarrollador, un prefijo proporciona un inicio conocido para la respuesta del asistente, después del cual continúa la generación. Un inicio conocido y un cuerpo predicho resuelven problemas de preparación diferentes. Del mismo modo, el procesamiento por lotes y las interfaces de agente o conversación son funciones de flujo de trabajo, no ediciones independientes de imágenes, audio o razonamiento de Medium 3.1.\n\nPreguntas documentales y visuales\n\nEl flujo enumerado de preguntas sobre documentos combina texto, estructura y formato preparados mediante OCR con análisis del modelo de lenguaje. Pregunta por la condición, pasaje o relación específicos que requiere la tarea. Una comparación puede identificar los documentos fuente y solicitar declaraciones compartidas, conflictos y detalles pendientes, conservando la ubicación de la fuente junto a cada hallazgo.\n\nLa guía de visión de su desarrollador incluye explícitamente Medium 3.1. Una pregunta visual directa puede proporcionar una gráfica legible, una imagen documental o una captura de pantalla y preguntar qué evidencia visible respalda una conclusión. Conserva los ejes, unidades, etiquetas y el contexto alrededor de un campo recortado. Si se proporcionan varias imágenes, identifica su orden y función en lugar de dejar al modelo inferir cuál es el original, la revisión o la referencia.\n\nPor ejemplo, acompaña un requisito escrito de proceso con una captura de pantalla y solicita una tabla de coincidencias visibles, diferencias y preguntas que requieren más información. Otra tarea puede proporcionar dos versiones de un documento y pedir un pasaje revisado que conserve sus condiciones compartidas y resuelva una inconsistencia identificada. Son aplicaciones propuestas de las capacidades visuales, documentales y de edición documentadas, con el resultado requerido definido de antemano.\n\nPreparación del artefacto final\n\nDa al asistente un rol claro, el material fuente que debe usar y el formato de la respuesta. Mantén las reglas duraderas de respuesta separadas del documento examinado e indica el idioma final y la terminología. Una respuesta útil puede separar un hecho extraído, su fuente y una interpretación, lo que facilita su revisión frente a un solo resumen combinado.\n\nEl resultado documentado sigue siendo texto. Las herramientas externas, los cambios de archivos y el procesamiento documental adicional pertenecen a la aplicación conectada con la conversación. Conserva la edición identificada Medium 3.1 y su contexto de 128k, y solicita la explicación, el registro estructurado o la revisión específica que necesita realmente el siguiente paso.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ff5fc329b76b9f5e0b0ed1e4c4500c9967abc8506d461e4a4023df87fa644ad4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "mistralai/mistral-medium-3.1:batchMistral Medium 3.1 es un modelo de texto e imágenes para respuestas conversacionales, preguntas sobre documentos y extracción estructurada. Su contexto de 128k según su desarrollador y sus funciones enumeradas de llamadas a funciones, salidas predichas y prefijos permiten explicaciones basadas en fuentes y flujos de edición específicos.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Medium 3.1 es una edición multimodal de Mistral AI para comprensión textual y visual. Su desarrollador describe esta revisión como una mejora del tono y el desempeño dentro de la línea Medium 3. Acepta texto e imágenes y produce texto: una explicación, una respuesta documental, un registro estructurado o una llamada a función propuesta. El identificador fijo de su desarrollador para esta edición es mistral-medium-2508.
Contexto y edición específica
La página del modelo documenta una ventana de contexto de 128k. Úsala para mantener juntos los pasajes fuente relacionados, la evidencia visual, la conversación y la tarea del usuario. Identifica las funciones de los documentos y la pregunta que se debe responder antes de proporcionar una colección extensa. Un contexto largo puede permitir una comparación enfocada mientras el artefacto final sigue siendo una tabla breve o una sección revisada.
Medium 3.1 conserva su propia especificación. El contexto de 256k, la arquitectura densa de 128B y los modos configurables de razonamiento híbrido descritos para Medium 3.5 no deben atribuirse a esta entrada. La página de 3.1 no proporciona un número de parámetros ni una cifra máxima independiente de longitud de respuesta que pueda sustituirse de forma segura con datos del modelo posterior.
Salida estructurada y funciones
Su desarrollador enumera salidas estructuradas, llamadas a funciones y salidas predichas entre las funciones de esta edición. Para una tarea de extracción estructurada, define los campos requeridos, los tipos esperados y el tratamiento de la información ausente de la fuente. Un registro puede contener el identificador del documento, la declaración extraída, su ubicación de origen y la pregunta que queda pendiente. Solicita únicamente el registro cuando lo vaya a interpretar un programa, o mantén separada una explicación en prosa cuando alguien deba revisar la interpretación.
La documentación compartida de salida estructurada de Mistral distingue el modo JSON de un esquema personalizado. El modo JSON requiere una instrucción explícita sobre el formato JSON deseado, mientras que la vía personalizada define una estructura más específica. Esto da formato al resultado de texto, no constituye una nueva modalidad de contenido ni una acción externa.
Para funciones, la aplicación define la operación disponible y los argumentos, el modelo selecciona una llamada apropiada y prepara los valores, y la aplicación la ejecuta. Su resultado se convierte después en información para la siguiente respuesta. Un asistente documental puede usar una consulta para obtener datos de referencia faltantes, pero solo si la aplicación que lo integra proporciona esa consulta y devuelve su resultado real. Mantén asociados la llamada propuesta y los datos devueltos.
Ediciones predichas y prefijos de respuesta
Las salidas predichas son útiles cuando ya se conoce la mayor parte del resultado deseado, como un documento o archivo de código que necesita una edición limitada. Proporciona el contenido existente y describe el cambio con precisión, incluido lo que debe permanecer sin cambios. Una solicitud podría actualizar la terminología de una sección o reemplazar un detalle de implementación mientras conserva el resto del documento. La predicción contiene contenido esperado de salida, no un cambio completado y aplicado a un archivo.
La página del modelo también enumera continuación de prefijos de respuesta. En la documentación de chat de su desarrollador, un prefijo proporciona un inicio conocido para la respuesta del asistente, después del cual continúa la generación. Un inicio conocido y un cuerpo predicho resuelven problemas de preparación diferentes. Del mismo modo, el procesamiento por lotes y las interfaces de agente o conversación son funciones de flujo de trabajo, no ediciones independientes de imágenes, audio o razonamiento de Medium 3.1.
Preguntas documentales y visuales
El flujo enumerado de preguntas sobre documentos combina texto, estructura y formato preparados mediante OCR con análisis del modelo de lenguaje. Pregunta por la condición, pasaje o relación específicos que requiere la tarea. Una comparación puede identificar los documentos fuente y solicitar declaraciones compartidas, conflictos y detalles pendientes, conservando la ubicación de la fuente junto a cada hallazgo.
La guía de visión de su desarrollador incluye explícitamente Medium 3.1. Una pregunta visual directa puede proporcionar una gráfica legible, una imagen documental o una captura de pantalla y preguntar qué evidencia visible respalda una conclusión. Conserva los ejes, unidades, etiquetas y el contexto alrededor de un campo recortado. Si se proporcionan varias imágenes, identifica su orden y función en lugar de dejar al modelo inferir cuál es el original, la revisión o la referencia.
Por ejemplo, acompaña un requisito escrito de proceso con una captura de pantalla y solicita una tabla de coincidencias visibles, diferencias y preguntas que requieren más información. Otra tarea puede proporcionar dos versiones de un documento y pedir un pasaje revisado que conserve sus condiciones compartidas y resuelva una inconsistencia identificada. Son aplicaciones propuestas de las capacidades visuales, documentales y de edición documentadas, con el resultado requerido definido de antemano.
Preparación del artefacto final
Da al asistente un rol claro, el material fuente que debe usar y el formato de la respuesta. Mantén las reglas duraderas de respuesta separadas del documento examinado e indica el idioma final y la terminología. Una respuesta útil puede separar un hecho extraído, su fuente y una interpretación, lo que facilita su revisión frente a un solo resumen combinado.
El resultado documentado sigue siendo texto. Las herramientas externas, los cambios de archivos y el procesamiento documental adicional pertenecen a la aplicación conectada con la conversación. Conserva la edición identificada Medium 3.1 y su contexto de 128k, y solicita la explicación, el registro estructurado o la revisión específica que necesita realmente el siguiente paso.
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-medium-3.1: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-medium-3.1:batch, mistralai/mistral-medium-3.1 | 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.002 / 1K tokens Entrada · Lectura de caché $0.00004 / 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 $0.0004 / 1K tokens Salida · Tokens de salida $0.002 / 1K tokens Entrada · Lectura de caché $0.00004 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-medium-3.1: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-medium-3.1:batch', 'mistralai/mistral-medium-3.1']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3.1: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-medium-3.1:batch
Usa las rutas de método indicadas arriba.