Mistral Medium 3.5 es el modelo denso de 128B de Mistral AI que combina seguimiento de instrucciones, razonamiento y programación en un solo conjunto de pesos. Recibe texto e imágenes y devuelve texto. Su desarrollador lo orienta a tareas con agentes y de programación, mientras que el mismo checkpoint puede producir una respuesta conversacional directa o usar su modo de razonamiento documentado para una tarea más elaborada.
Modelo unificado y capacidades visuales
La ficha publicada especifica 128,000 millones de parámetros densos y una ventana de contexto de 256k. Su codificador visual está entrenado para manejar diferentes tamaños de imagen y relaciones de aspecto. Las imágenes pueden aportar evidencia a una tarea de programación o documental: una captura de pantalla de una interfaz, un diagrama que acompaña un requisito o una página con información que el modelo debe interpretar. El resultado puede ser una explicación escrita, código o campos estructurados, en lugar de una imagen generada.
Su desarrollador describe compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También destaca el seguimiento de prompts de sistema y las llamadas nativas a funciones con salida JSON. Define el público, el idioma y las reglas de respuesta por separado del material examinado, para que la redacción de un documento fuente siga siendo evidencia para la tarea.
Ajustes de razonamiento
La ficha documenta dos valores de esfuerzo de razonamiento por solicitud. El valor none ofrece una respuesta de tipo instrucción sin modo de razonamiento; high activa el razonamiento y se recomienda para prompts complejos y programación con agentes. Es una elección de modo dentro del mismo checkpoint Medium 3.5, no una identidad de modelo diferente.
Para un esfuerzo de razonamiento high, su desarrollador recomienda una temperatura de 0.7 y top-p de 0.95. Para none, documenta temperaturas entre 0.0 y 0.7 según la tarea y deja top-p sin configurar o en 1.0. Son recomendaciones de la versión. Elige primero el propósito de la salida: una extracción concisa de campos, un cambio de código con explicación o una comparación que requiera varias decisiones justificadas.
Una tarea práctica de razonamiento puede proporcionar un requisito, la implementación y la entrada que revela una discrepancia. Pide al modelo identificar la ruta relevante, explicar la discrepancia y proponer el cambio mínimo que conserve la interfaz pública. Solicita el código revisado por separado de las suposiciones y los ejemplos. El modelo genera una propuesta; compilarla, ejecutarla y aplicarla requiere el entorno de desarrollo conectado al agente.
Herramientas, documentos y ediciones previsibles
La ficha del servicio de su desarrollador también enumera salidas estructuradas, salidas predichas, preguntas sobre documentos, prefijos de respuesta, procesamiento por lotes y conversaciones con agentes. Para extraer información, define los nombres de los campos, sus tipos y el tratamiento de los valores faltantes. El modo JSON proporciona una representación estructurada, mientras que un esquema personalizado define una forma más específica en la interfaz conectada. Solicita únicamente el registro cuando lo vaya a interpretar un programa y una explicación independiente cuando una persona necesite revisar la interpretación.
Las preguntas sobre documentos combinan texto y estructura preparados mediante OCR con comprensión mediante el modelo de lenguaje. Para una comparación, identifica los documentos y la condición que se debe evaluar, y solicita cada hallazgo con su ubicación en la fuente. Una salida útil puede separar requisitos compartidos, desacuerdos y preguntas pendientes. Las preguntas directas sobre imágenes pueden enfocarse en la etiqueta de una gráfica o un elemento de interfaz; conservar encabezados, unidades y funciones de las imágenes ayuda a mantener la respuesta vinculada con el material proporcionado.
Las salidas predichas están documentadas para tareas en las que ya se conoce gran parte de la respuesta deseada, como regenerar un archivo de código o un documento con ediciones limitadas. Proporciona el contenido existente e identifica el cambio específico, conservando las partes que deben permanecer. Esto es distinto de pedir un artefacto completamente nuevo o continuar a partir de un prefijo de respuesta conocido. Las funciones del servicio describen opciones de envío y formato; no cambian las entradas de texto e imágenes ni la salida de texto del modelo.
En un flujo asistido por herramientas, la aplicación proporciona descripciones y parámetros de funciones, el modelo elige una función y prepara sus argumentos, y la aplicación la ejecuta y devuelve el resultado. Una herramienta de cálculo puede recibir valores leídos de una imagen proporcionada, mientras que una herramienta de consulta puede aportar la información faltante para la siguiente respuesta. Mantén el resultado de la herramienta asociado con la operación que lo produjo. El razonamiento con agentes depende de ese entorno, no de que la generación de texto por sí sola realice acciones externas.
Preparación de sesiones largas
Usa el contexto de 256k para código fuente relacionado, documentos e historial de conversación, y mantén explícito el objetivo real. Una sesión de programación puede conservar el módulo, su llamador y los requisitos mientras solicita un cambio definido. Una sesión documental puede mantener juntas las secciones relevantes mientras devuelve una tabla breve o un pasaje revisado. La capacidad de contexto no especifica una longitud máxima de respuesta independiente; el ejemplo de generación de 1,024 tokens de la ficha es una ilustración, no ese límite.
Su desarrollador señala que una configuración publicada anteriormente contenía un error de contexto largo y que se corrigió, incluida su relevancia para checkpoints derivados. Conserva la configuración corregida de la versión al usar los pesos en sesiones largas. Los modos híbridos y la arquitectura de 128B de Medium 3.5 no deben atribuirse a Medium 3.1 ni a un checkpoint de cabeza de borrador con nombre independiente solo porque compartan una familia en sus nombres.
", "aboutText": "Mistral Medium 3.5 es el modelo denso de 128B de Mistral AI que combina seguimiento de instrucciones, razonamiento y programación en un solo conjunto de pesos. Recibe texto e imágenes y devuelve texto. Su desarrollador lo orienta a tareas con agentes y de programación, mientras que el mismo checkpoint puede producir una respuesta conversacional directa o usar su modo de razonamiento documentado para una tarea más elaborada.\n\nModelo unificado y capacidades visuales\n\nLa ficha publicada especifica 128,000 millones de parámetros densos y una ventana de contexto de 256k. Su codificador visual está entrenado para manejar diferentes tamaños de imagen y relaciones de aspecto. Las imágenes pueden aportar evidencia a una tarea de programación o documental: una captura de pantalla de una interfaz, un diagrama que acompaña un requisito o una página con información que el modelo debe interpretar. El resultado puede ser una explicación escrita, código o campos estructurados, en lugar de una imagen generada.\n\nSu desarrollador describe compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También destaca el seguimiento de prompts de sistema y las llamadas nativas a funciones con salida JSON. Define el público, el idioma y las reglas de respuesta por separado del material examinado, para que la redacción de un documento fuente siga siendo evidencia para la tarea.\n\nAjustes de razonamiento\n\nLa ficha documenta dos valores de esfuerzo de razonamiento por solicitud. El valor none ofrece una respuesta de tipo instrucción sin modo de razonamiento; high activa el razonamiento y se recomienda para prompts complejos y programación con agentes. Es una elección de modo dentro del mismo checkpoint Medium 3.5, no una identidad de modelo diferente.\n\nPara un esfuerzo de razonamiento high, su desarrollador recomienda una temperatura de 0.7 y top-p de 0.95. Para none, documenta temperaturas entre 0.0 y 0.7 según la tarea y deja top-p sin configurar o en 1.0. Son recomendaciones de la versión. Elige primero el propósito de la salida: una extracción concisa de campos, un cambio de código con explicación o una comparación que requiera varias decisiones justificadas.\n\nUna tarea práctica de razonamiento puede proporcionar un requisito, la implementación y la entrada que revela una discrepancia. Pide al modelo identificar la ruta relevante, explicar la discrepancia y proponer el cambio mínimo que conserve la interfaz pública. Solicita el código revisado por separado de las suposiciones y los ejemplos. El modelo genera una propuesta; compilarla, ejecutarla y aplicarla requiere el entorno de desarrollo conectado al agente.\n\nHerramientas, documentos y ediciones previsibles\n\nLa ficha del servicio de su desarrollador también enumera salidas estructuradas, salidas predichas, preguntas sobre documentos, prefijos de respuesta, procesamiento por lotes y conversaciones con agentes. Para extraer información, define los nombres de los campos, sus tipos y el tratamiento de los valores faltantes. El modo JSON proporciona una representación estructurada, mientras que un esquema personalizado define una forma más específica en la interfaz conectada. Solicita únicamente el registro cuando lo vaya a interpretar un programa y una explicación independiente cuando una persona necesite revisar la interpretación.\n\nLas preguntas sobre documentos combinan texto y estructura preparados mediante OCR con comprensión mediante el modelo de lenguaje. Para una comparación, identifica los documentos y la condición que se debe evaluar, y solicita cada hallazgo con su ubicación en la fuente. Una salida útil puede separar requisitos compartidos, desacuerdos y preguntas pendientes. Las preguntas directas sobre imágenes pueden enfocarse en la etiqueta de una gráfica o un elemento de interfaz; conservar encabezados, unidades y funciones de las imágenes ayuda a mantener la respuesta vinculada con el material proporcionado.\n\nLas salidas predichas están documentadas para tareas en las que ya se conoce gran parte de la respuesta deseada, como regenerar un archivo de código o un documento con ediciones limitadas. Proporciona el contenido existente e identifica el cambio específico, conservando las partes que deben permanecer. Esto es distinto de pedir un artefacto completamente nuevo o continuar a partir de un prefijo de respuesta conocido. Las funciones del servicio describen opciones de envío y formato; no cambian las entradas de texto e imágenes ni la salida de texto del modelo.\n\nEn un flujo asistido por herramientas, la aplicación proporciona descripciones y parámetros de funciones, el modelo elige una función y prepara sus argumentos, y la aplicación la ejecuta y devuelve el resultado. Una herramienta de cálculo puede recibir valores leídos de una imagen proporcionada, mientras que una herramienta de consulta puede aportar la información faltante para la siguiente respuesta. Mantén el resultado de la herramienta asociado con la operación que lo produjo. El razonamiento con agentes depende de ese entorno, no de que la generación de texto por sí sola realice acciones externas.\n\nPreparación de sesiones largas\n\nUsa el contexto de 256k para código fuente relacionado, documentos e historial de conversación, y mantén explícito el objetivo real. Una sesión de programación puede conservar el módulo, su llamador y los requisitos mientras solicita un cambio definido. Una sesión documental puede mantener juntas las secciones relevantes mientras devuelve una tabla breve o un pasaje revisado. La capacidad de contexto no especifica una longitud máxima de respuesta independiente; el ejemplo de generación de 1,024 tokens de la ficha es una ilustración, no ese límite.\n\nSu desarrollador señala que una configuración publicada anteriormente contenía un error de contexto largo y que se corrigió, incluida su relevancia para checkpoints derivados. Conserva la configuración corregida de la versión al usar los pesos en sesiones largas. Los modos híbridos y la arquitectura de 128B de Medium 3.5 no deben atribuirse a Medium 3.1 ni a un checkpoint de cabeza de borrador con nombre independiente solo porque compartan una familia en sus nombres.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "3e04aae413120c5a9a2b04106da04fafab0c345d250615b38cd4e52e20d00bb1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "mistralai/mistral-medium-3-5:batchMistral Medium 3.5 combina seguimiento de instrucciones, razonamiento y programación en un modelo denso de texto e imágenes de 128B. Tiene un contexto de 256k según su desarrollador, ajustes de razonamiento por solicitud, llamadas nativas a funciones y salida estructurada para flujos documentales y con agentes.
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 3.5 es el modelo denso de 128B de Mistral AI que combina seguimiento de instrucciones, razonamiento y programación en un solo conjunto de pesos. Recibe texto e imágenes y devuelve texto. Su desarrollador lo orienta a tareas con agentes y de programación, mientras que el mismo checkpoint puede producir una respuesta conversacional directa o usar su modo de razonamiento documentado para una tarea más elaborada.
Modelo unificado y capacidades visuales
La ficha publicada especifica 128,000 millones de parámetros densos y una ventana de contexto de 256k. Su codificador visual está entrenado para manejar diferentes tamaños de imagen y relaciones de aspecto. Las imágenes pueden aportar evidencia a una tarea de programación o documental: una captura de pantalla de una interfaz, un diagrama que acompaña un requisito o una página con información que el modelo debe interpretar. El resultado puede ser una explicación escrita, código o campos estructurados, en lugar de una imagen generada.
Su desarrollador describe compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También destaca el seguimiento de prompts de sistema y las llamadas nativas a funciones con salida JSON. Define el público, el idioma y las reglas de respuesta por separado del material examinado, para que la redacción de un documento fuente siga siendo evidencia para la tarea.
Ajustes de razonamiento
La ficha documenta dos valores de esfuerzo de razonamiento por solicitud. El valor none ofrece una respuesta de tipo instrucción sin modo de razonamiento; high activa el razonamiento y se recomienda para prompts complejos y programación con agentes. Es una elección de modo dentro del mismo checkpoint Medium 3.5, no una identidad de modelo diferente.
Para un esfuerzo de razonamiento high, su desarrollador recomienda una temperatura de 0.7 y top-p de 0.95. Para none, documenta temperaturas entre 0.0 y 0.7 según la tarea y deja top-p sin configurar o en 1.0. Son recomendaciones de la versión. Elige primero el propósito de la salida: una extracción concisa de campos, un cambio de código con explicación o una comparación que requiera varias decisiones justificadas.
Una tarea práctica de razonamiento puede proporcionar un requisito, la implementación y la entrada que revela una discrepancia. Pide al modelo identificar la ruta relevante, explicar la discrepancia y proponer el cambio mínimo que conserve la interfaz pública. Solicita el código revisado por separado de las suposiciones y los ejemplos. El modelo genera una propuesta; compilarla, ejecutarla y aplicarla requiere el entorno de desarrollo conectado al agente.
Herramientas, documentos y ediciones previsibles
La ficha del servicio de su desarrollador también enumera salidas estructuradas, salidas predichas, preguntas sobre documentos, prefijos de respuesta, procesamiento por lotes y conversaciones con agentes. Para extraer información, define los nombres de los campos, sus tipos y el tratamiento de los valores faltantes. El modo JSON proporciona una representación estructurada, mientras que un esquema personalizado define una forma más específica en la interfaz conectada. Solicita únicamente el registro cuando lo vaya a interpretar un programa y una explicación independiente cuando una persona necesite revisar la interpretación.
Las preguntas sobre documentos combinan texto y estructura preparados mediante OCR con comprensión mediante el modelo de lenguaje. Para una comparación, identifica los documentos y la condición que se debe evaluar, y solicita cada hallazgo con su ubicación en la fuente. Una salida útil puede separar requisitos compartidos, desacuerdos y preguntas pendientes. Las preguntas directas sobre imágenes pueden enfocarse en la etiqueta de una gráfica o un elemento de interfaz; conservar encabezados, unidades y funciones de las imágenes ayuda a mantener la respuesta vinculada con el material proporcionado.
Las salidas predichas están documentadas para tareas en las que ya se conoce gran parte de la respuesta deseada, como regenerar un archivo de código o un documento con ediciones limitadas. Proporciona el contenido existente e identifica el cambio específico, conservando las partes que deben permanecer. Esto es distinto de pedir un artefacto completamente nuevo o continuar a partir de un prefijo de respuesta conocido. Las funciones del servicio describen opciones de envío y formato; no cambian las entradas de texto e imágenes ni la salida de texto del modelo.
En un flujo asistido por herramientas, la aplicación proporciona descripciones y parámetros de funciones, el modelo elige una función y prepara sus argumentos, y la aplicación la ejecuta y devuelve el resultado. Una herramienta de cálculo puede recibir valores leídos de una imagen proporcionada, mientras que una herramienta de consulta puede aportar la información faltante para la siguiente respuesta. Mantén el resultado de la herramienta asociado con la operación que lo produjo. El razonamiento con agentes depende de ese entorno, no de que la generación de texto por sí sola realice acciones externas.
Preparación de sesiones largas
Usa el contexto de 256k para código fuente relacionado, documentos e historial de conversación, y mantén explícito el objetivo real. Una sesión de programación puede conservar el módulo, su llamador y los requisitos mientras solicita un cambio definido. Una sesión documental puede mantener juntas las secciones relevantes mientras devuelve una tabla breve o un pasaje revisado. La capacidad de contexto no especifica una longitud máxima de respuesta independiente; el ejemplo de generación de 1,024 tokens de la ficha es una ilustración, no ese límite.
Su desarrollador señala que una configuración publicada anteriormente contenía un error de contexto largo y que se corrigió, incluida su relevancia para checkpoints derivados. Conserva la configuración corregida de la versión al usar los pesos en sesiones largas. Los modos híbridos y la arquitectura de 128B de Medium 3.5 no deben atribuirse a Medium 3.1 ni a un checkpoint de cabeza de borrador con nombre independiente solo porque compartan una familia en sus nombres.
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-3-5: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-3-5:batch, mistralai/mistral-medium-3-5 | 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 $0.0015 / 1K tokens Salida · Tokens de salida $0.0075 / 1K tokens Entrada · Lectura de caché — / 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 $0.0015 / 1K tokens Salida · Tokens de salida $0.0075 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-3-5: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-3-5:batch', 'mistralai/mistral-medium-3-5']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3-5: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-3-5:batch
Usa las rutas de método indicadas arriba.