Mistral Medium 3 es el modelo multimodal de Mistral AI para trabajo profesional que involucra texto, comprensión visual y código. La versión original destaca la programación y las tareas de ciencia, tecnología, ingeniería y matemáticas, junto con la adaptación al conocimiento y los flujos empresariales. Acepta material textual y visual y produce texto, incluida una explicación documental, un registro estructurado o una implementación propuesta. El identificador fijo de su desarrollador para esta edición es mistral-medium-2505.
Contexto y material fuente profesional
La página del modelo indica una ventana de contexto de 128k. Usa ese contexto para conservar los pasajes fuente, la conversación y las instrucciones que determinan el artefacto solicitado. Para comparar documentos, identifica cuál fuente es el requisito actual, cuál es la revisión propuesta y qué pregunta se debe resolver. Solicita el documento y la sección de respaldo junto a cada hallazgo.
Una tarea práctica de explicación puede proporcionar un procedimiento y la pregunta de un usuario, y después pedir la acción relevante y la condición que la hace aplicable. Un análisis técnico puede incluir datos fuente, definiciones y el criterio de comparación. El objetivo es un resultado vinculado con el material proporcionado, no una descripción general del tema.
Salidas estructuradas y funciones
La página enumera salidas estructuradas y llamadas a funciones. Para extraer información, define los nombres de los campos, sus tipos y la representación de la información faltante en la fuente. Un registro útil puede separar el identificador, la declaración de la fuente, la interpretación y la pregunta pendiente. La guía compartida de Mistral distingue el modo JSON de un esquema personalizado y exige una solicitud explícita del formato JSON deseado.
Las llamadas a funciones conectan la interpretación del modelo con operaciones descritas por la aplicación. El modelo elige una función y prepara los argumentos, la aplicación ejecuta la función y su resultado se convierte en contexto para la siguiente respuesta. Una consulta puede aportar un valor de referencia faltante; un cálculo puede proporcionar un resultado necesario para la explicación. Mantén el resultado asociado con la operación que lo produjo, en lugar de tratar la llamada propuesta como una acción ejecutada.
Preguntas documentales y visuales
Las preguntas sobre documentos también aparecen entre las funciones de esta edición. El flujo documentado de su desarrollador prepara el texto, la estructura y el formato del documento mediante OCR antes del análisis con el modelo de lenguaje. Pregunta por el requisito, pasaje o relación específicos que necesita la tarea. Para varios documentos, conserva sus identidades y solicita una comparación con la ubicación de la fuente junto a cada conclusión.
Para material visual, acompaña la imagen con una pregunta definida y conserva las etiquetas, unidades y regiones necesarias para responder. Una gráfica puede pedir una comparación entre series identificadas; un diagrama puede preguntar qué conexión respalda un requisito proporcionado. Una imagen legible de un documento y un documento preparado mediante OCR son preparaciones de entrada diferentes, aunque ambas sirvan al mismo objetivo de responder preguntas.
Edición, prefijos y flujos de trabajo
La página del modelo enumera salidas predichas, prefijos de respuesta, procesamiento por lotes y conversaciones con agentes. Las salidas predichas usan contenido conocido cuando la mayor parte de un documento o archivo de código debe permanecer y solo cambia una parte limitada. Proporciona el contenido existente, especifica la edición e identifica el material que debe conservarse. Esto es distinto de pedir al modelo que cree un documento completamente nuevo.
Un prefijo de respuesta proporciona un inicio conocido para el texto generado del asistente, que después continúa desde ese inicio. El procesamiento por lotes cambia cómo se envían las tareas, mientras que una interfaz de agente o conversación administra un flujo conectado. Las herramientas integradas enumeradas pertenecen a esa interfaz de su desarrollador; no agregan otra modalidad de contenido al modelo subyacente ni realizan una acción sin el entorno conectado.
Programación y adaptación al dominio
Para una solicitud de programación, proporciona el requisito, la función afectada, las declaraciones relevantes y las entradas y salidas esperadas. Solicita el cambio propuesto, sus suposiciones y ejemplos que distingan el comportamiento previsto. Una pregunta de depuración puede incluir evidencia del fallo y preguntar qué ruta del código fuente lo explica. El acceso al repositorio, la ejecución de código y la aplicación del cambio provienen de las herramientas de desarrollo que lo integran.
El anuncio original describe posentrenamiento personalizado y ajuste fino para contextos empresariales y bases de conocimiento específicos de un dominio. Es un proceso de adaptación distinto, no una afirmación de que el modelo predeterminado ya conoce los documentos de una organización particular. Para una respuesta condicionada por fuentes, proporciona los documentos y la terminología relevantes directamente con la tarea y define las reglas de respuesta.
Límites de edición y resultado
Esta entrada conserva la identidad 2505 de Medium 3 y su contexto de 128k. El número de parámetros de la arquitectura y los controles configurables de razonamiento híbrido documentados posteriormente para Medium 3.5 no forman parte de la especificación declarada de esta edición. La página del modelo exacto no publica un número de parámetros ni una longitud máxima de respuesta estricta e independiente que pueda tomarse de una versión posterior.
Prepara el resultado previsto antes de la solicitud: una explicación, una extracción estructurada, una sección revisada o código propuesto. Mantén explícitos la evidencia textual y visual, las identidades de las fuentes y los resultados de herramientas conectadas para que la respuesta se pueda revisar y usar en el siguiente paso de la aplicación.
", "aboutText": "Mistral Medium 3 es el modelo multimodal de Mistral AI para trabajo profesional que involucra texto, comprensión visual y código. La versión original destaca la programación y las tareas de ciencia, tecnología, ingeniería y matemáticas, junto con la adaptación al conocimiento y los flujos empresariales. Acepta material textual y visual y produce texto, incluida una explicación documental, un registro estructurado o una implementación propuesta. El identificador fijo de su desarrollador para esta edición es mistral-medium-2505.\n\nContexto y material fuente profesional\n\nLa página del modelo indica una ventana de contexto de 128k. Usa ese contexto para conservar los pasajes fuente, la conversación y las instrucciones que determinan el artefacto solicitado. Para comparar documentos, identifica cuál fuente es el requisito actual, cuál es la revisión propuesta y qué pregunta se debe resolver. Solicita el documento y la sección de respaldo junto a cada hallazgo.\n\nUna tarea práctica de explicación puede proporcionar un procedimiento y la pregunta de un usuario, y después pedir la acción relevante y la condición que la hace aplicable. Un análisis técnico puede incluir datos fuente, definiciones y el criterio de comparación. El objetivo es un resultado vinculado con el material proporcionado, no una descripción general del tema.\n\nSalidas estructuradas y funciones\n\nLa página enumera salidas estructuradas y llamadas a funciones. Para extraer información, define los nombres de los campos, sus tipos y la representación de la información faltante en la fuente. Un registro útil puede separar el identificador, la declaración de la fuente, la interpretación y la pregunta pendiente. La guía compartida de Mistral distingue el modo JSON de un esquema personalizado y exige una solicitud explícita del formato JSON deseado.\n\nLas llamadas a funciones conectan la interpretación del modelo con operaciones descritas por la aplicación. El modelo elige una función y prepara los argumentos, la aplicación ejecuta la función y su resultado se convierte en contexto para la siguiente respuesta. Una consulta puede aportar un valor de referencia faltante; un cálculo puede proporcionar un resultado necesario para la explicación. Mantén el resultado asociado con la operación que lo produjo, en lugar de tratar la llamada propuesta como una acción ejecutada.\n\nPreguntas documentales y visuales\n\nLas preguntas sobre documentos también aparecen entre las funciones de esta edición. El flujo documentado de su desarrollador prepara el texto, la estructura y el formato del documento mediante OCR antes del análisis con el modelo de lenguaje. Pregunta por el requisito, pasaje o relación específicos que necesita la tarea. Para varios documentos, conserva sus identidades y solicita una comparación con la ubicación de la fuente junto a cada conclusión.\n\nPara material visual, acompaña la imagen con una pregunta definida y conserva las etiquetas, unidades y regiones necesarias para responder. Una gráfica puede pedir una comparación entre series identificadas; un diagrama puede preguntar qué conexión respalda un requisito proporcionado. Una imagen legible de un documento y un documento preparado mediante OCR son preparaciones de entrada diferentes, aunque ambas sirvan al mismo objetivo de responder preguntas.\n\nEdición, prefijos y flujos de trabajo\n\nLa página del modelo enumera salidas predichas, prefijos de respuesta, procesamiento por lotes y conversaciones con agentes. Las salidas predichas usan contenido conocido cuando la mayor parte de un documento o archivo de código debe permanecer y solo cambia una parte limitada. Proporciona el contenido existente, especifica la edición e identifica el material que debe conservarse. Esto es distinto de pedir al modelo que cree un documento completamente nuevo.\n\nUn prefijo de respuesta proporciona un inicio conocido para el texto generado del asistente, que después continúa desde ese inicio. El procesamiento por lotes cambia cómo se envían las tareas, mientras que una interfaz de agente o conversación administra un flujo conectado. Las herramientas integradas enumeradas pertenecen a esa interfaz de su desarrollador; no agregan otra modalidad de contenido al modelo subyacente ni realizan una acción sin el entorno conectado.\n\nProgramación y adaptación al dominio\n\nPara una solicitud de programación, proporciona el requisito, la función afectada, las declaraciones relevantes y las entradas y salidas esperadas. Solicita el cambio propuesto, sus suposiciones y ejemplos que distingan el comportamiento previsto. Una pregunta de depuración puede incluir evidencia del fallo y preguntar qué ruta del código fuente lo explica. El acceso al repositorio, la ejecución de código y la aplicación del cambio provienen de las herramientas de desarrollo que lo integran.\n\nEl anuncio original describe posentrenamiento personalizado y ajuste fino para contextos empresariales y bases de conocimiento específicos de un dominio. Es un proceso de adaptación distinto, no una afirmación de que el modelo predeterminado ya conoce los documentos de una organización particular. Para una respuesta condicionada por fuentes, proporciona los documentos y la terminología relevantes directamente con la tarea y define las reglas de respuesta.\n\nLímites de edición y resultado\n\nEsta entrada conserva la identidad 2505 de Medium 3 y su contexto de 128k. El número de parámetros de la arquitectura y los controles configurables de razonamiento híbrido documentados posteriormente para Medium 3.5 no forman parte de la especificación declarada de esta edición. La página del modelo exacto no publica un número de parámetros ni una longitud máxima de respuesta estricta e independiente que pueda tomarse de una versión posterior.\n\nPrepara el resultado previsto antes de la solicitud: una explicación, una extracción estructurada, una sección revisada o código propuesto. Mantén explícitos la evidencia textual y visual, las identidades de las fuentes y los resultados de herramientas conectadas para que la respuesta se pueda revisar y usar en el siguiente paso de la aplicación.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.mistralai/mistral-medium-3Mistral Medium 3 es un modelo multimodal para tareas profesionales de texto, visión y programación. Su contexto de 128k según su desarrollador y sus salidas estructuradas, llamadas a funciones, preguntas sobre documentos y ediciones previsibles documentadas permiten explicaciones basadas en fuentes y flujos de aplicación.
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 es el modelo multimodal de Mistral AI para trabajo profesional que involucra texto, comprensión visual y código. La versión original destaca la programación y las tareas de ciencia, tecnología, ingeniería y matemáticas, junto con la adaptación al conocimiento y los flujos empresariales. Acepta material textual y visual y produce texto, incluida una explicación documental, un registro estructurado o una implementación propuesta. El identificador fijo de su desarrollador para esta edición es mistral-medium-2505.
Contexto y material fuente profesional
La página del modelo indica una ventana de contexto de 128k. Usa ese contexto para conservar los pasajes fuente, la conversación y las instrucciones que determinan el artefacto solicitado. Para comparar documentos, identifica cuál fuente es el requisito actual, cuál es la revisión propuesta y qué pregunta se debe resolver. Solicita el documento y la sección de respaldo junto a cada hallazgo.
Una tarea práctica de explicación puede proporcionar un procedimiento y la pregunta de un usuario, y después pedir la acción relevante y la condición que la hace aplicable. Un análisis técnico puede incluir datos fuente, definiciones y el criterio de comparación. El objetivo es un resultado vinculado con el material proporcionado, no una descripción general del tema.
Salidas estructuradas y funciones
La página enumera salidas estructuradas y llamadas a funciones. Para extraer información, define los nombres de los campos, sus tipos y la representación de la información faltante en la fuente. Un registro útil puede separar el identificador, la declaración de la fuente, la interpretación y la pregunta pendiente. La guía compartida de Mistral distingue el modo JSON de un esquema personalizado y exige una solicitud explícita del formato JSON deseado.
Las llamadas a funciones conectan la interpretación del modelo con operaciones descritas por la aplicación. El modelo elige una función y prepara los argumentos, la aplicación ejecuta la función y su resultado se convierte en contexto para la siguiente respuesta. Una consulta puede aportar un valor de referencia faltante; un cálculo puede proporcionar un resultado necesario para la explicación. Mantén el resultado asociado con la operación que lo produjo, en lugar de tratar la llamada propuesta como una acción ejecutada.
Preguntas documentales y visuales
Las preguntas sobre documentos también aparecen entre las funciones de esta edición. El flujo documentado de su desarrollador prepara el texto, la estructura y el formato del documento mediante OCR antes del análisis con el modelo de lenguaje. Pregunta por el requisito, pasaje o relación específicos que necesita la tarea. Para varios documentos, conserva sus identidades y solicita una comparación con la ubicación de la fuente junto a cada conclusión.
Para material visual, acompaña la imagen con una pregunta definida y conserva las etiquetas, unidades y regiones necesarias para responder. Una gráfica puede pedir una comparación entre series identificadas; un diagrama puede preguntar qué conexión respalda un requisito proporcionado. Una imagen legible de un documento y un documento preparado mediante OCR son preparaciones de entrada diferentes, aunque ambas sirvan al mismo objetivo de responder preguntas.
Edición, prefijos y flujos de trabajo
La página del modelo enumera salidas predichas, prefijos de respuesta, procesamiento por lotes y conversaciones con agentes. Las salidas predichas usan contenido conocido cuando la mayor parte de un documento o archivo de código debe permanecer y solo cambia una parte limitada. Proporciona el contenido existente, especifica la edición e identifica el material que debe conservarse. Esto es distinto de pedir al modelo que cree un documento completamente nuevo.
Un prefijo de respuesta proporciona un inicio conocido para el texto generado del asistente, que después continúa desde ese inicio. El procesamiento por lotes cambia cómo se envían las tareas, mientras que una interfaz de agente o conversación administra un flujo conectado. Las herramientas integradas enumeradas pertenecen a esa interfaz de su desarrollador; no agregan otra modalidad de contenido al modelo subyacente ni realizan una acción sin el entorno conectado.
Programación y adaptación al dominio
Para una solicitud de programación, proporciona el requisito, la función afectada, las declaraciones relevantes y las entradas y salidas esperadas. Solicita el cambio propuesto, sus suposiciones y ejemplos que distingan el comportamiento previsto. Una pregunta de depuración puede incluir evidencia del fallo y preguntar qué ruta del código fuente lo explica. El acceso al repositorio, la ejecución de código y la aplicación del cambio provienen de las herramientas de desarrollo que lo integran.
El anuncio original describe posentrenamiento personalizado y ajuste fino para contextos empresariales y bases de conocimiento específicos de un dominio. Es un proceso de adaptación distinto, no una afirmación de que el modelo predeterminado ya conoce los documentos de una organización particular. Para una respuesta condicionada por fuentes, proporciona los documentos y la terminología relevantes directamente con la tarea y define las reglas de respuesta.
Límites de edición y resultado
Esta entrada conserva la identidad 2505 de Medium 3 y su contexto de 128k. El número de parámetros de la arquitectura y los controles configurables de razonamiento híbrido documentados posteriormente para Medium 3.5 no forman parte de la especificación declarada de esta edición. La página del modelo exacto no publica un número de parámetros ni una longitud máxima de respuesta estricta e independiente que pueda tomarse de una versión posterior.
Prepara el resultado previsto antes de la solicitud: una explicación, una extracción estructurada, una sección revisada o código propuesto. Mantén explícitos la evidencia textual y visual, las identidades de las fuentes y los resultados de herramientas conectadas para que la respuesta se pueda revisar y usar en el siguiente paso de la aplicación.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-medium-3 | 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 $0.0008 / 1K tokens Salida · Tokens de salida $0.004 / 1K tokens Entrada · Lectura de caché $0.00008 / 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 $0.0008 / 1K tokens Salida · Tokens de salida $0.004 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3", "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-medium-3',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-medium-3',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-medium-3
Usa las rutas de método indicadas arriba.
mistralai/mistral-medium-3Mistral Medium 3 es un modelo multimodal para tareas profesionales de texto, visión y programación. Su contexto de 128k según su desarrollador y sus salidas estructuradas, llamadas a funciones, preguntas sobre documentos y ediciones previsibles documentadas permiten explicaciones basadas en fuentes y flujos de aplicación.
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 es el modelo multimodal de Mistral AI para trabajo profesional que involucra texto, comprensión visual y código. La versión original destaca la programación y las tareas de ciencia, tecnología, ingeniería y matemáticas, junto con la adaptación al conocimiento y los flujos empresariales. Acepta material textual y visual y produce texto, incluida una explicación documental, un registro estructurado o una implementación propuesta. El identificador fijo de su desarrollador para esta edición es mistral-medium-2505.
Contexto y material fuente profesional
La página del modelo indica una ventana de contexto de 128k. Usa ese contexto para conservar los pasajes fuente, la conversación y las instrucciones que determinan el artefacto solicitado. Para comparar documentos, identifica cuál fuente es el requisito actual, cuál es la revisión propuesta y qué pregunta se debe resolver. Solicita el documento y la sección de respaldo junto a cada hallazgo.
Una tarea práctica de explicación puede proporcionar un procedimiento y la pregunta de un usuario, y después pedir la acción relevante y la condición que la hace aplicable. Un análisis técnico puede incluir datos fuente, definiciones y el criterio de comparación. El objetivo es un resultado vinculado con el material proporcionado, no una descripción general del tema.
Salidas estructuradas y funciones
La página enumera salidas estructuradas y llamadas a funciones. Para extraer información, define los nombres de los campos, sus tipos y la representación de la información faltante en la fuente. Un registro útil puede separar el identificador, la declaración de la fuente, la interpretación y la pregunta pendiente. La guía compartida de Mistral distingue el modo JSON de un esquema personalizado y exige una solicitud explícita del formato JSON deseado.
Las llamadas a funciones conectan la interpretación del modelo con operaciones descritas por la aplicación. El modelo elige una función y prepara los argumentos, la aplicación ejecuta la función y su resultado se convierte en contexto para la siguiente respuesta. Una consulta puede aportar un valor de referencia faltante; un cálculo puede proporcionar un resultado necesario para la explicación. Mantén el resultado asociado con la operación que lo produjo, en lugar de tratar la llamada propuesta como una acción ejecutada.
Preguntas documentales y visuales
Las preguntas sobre documentos también aparecen entre las funciones de esta edición. El flujo documentado de su desarrollador prepara el texto, la estructura y el formato del documento mediante OCR antes del análisis con el modelo de lenguaje. Pregunta por el requisito, pasaje o relación específicos que necesita la tarea. Para varios documentos, conserva sus identidades y solicita una comparación con la ubicación de la fuente junto a cada conclusión.
Para material visual, acompaña la imagen con una pregunta definida y conserva las etiquetas, unidades y regiones necesarias para responder. Una gráfica puede pedir una comparación entre series identificadas; un diagrama puede preguntar qué conexión respalda un requisito proporcionado. Una imagen legible de un documento y un documento preparado mediante OCR son preparaciones de entrada diferentes, aunque ambas sirvan al mismo objetivo de responder preguntas.
Edición, prefijos y flujos de trabajo
La página del modelo enumera salidas predichas, prefijos de respuesta, procesamiento por lotes y conversaciones con agentes. Las salidas predichas usan contenido conocido cuando la mayor parte de un documento o archivo de código debe permanecer y solo cambia una parte limitada. Proporciona el contenido existente, especifica la edición e identifica el material que debe conservarse. Esto es distinto de pedir al modelo que cree un documento completamente nuevo.
Un prefijo de respuesta proporciona un inicio conocido para el texto generado del asistente, que después continúa desde ese inicio. El procesamiento por lotes cambia cómo se envían las tareas, mientras que una interfaz de agente o conversación administra un flujo conectado. Las herramientas integradas enumeradas pertenecen a esa interfaz de su desarrollador; no agregan otra modalidad de contenido al modelo subyacente ni realizan una acción sin el entorno conectado.
Programación y adaptación al dominio
Para una solicitud de programación, proporciona el requisito, la función afectada, las declaraciones relevantes y las entradas y salidas esperadas. Solicita el cambio propuesto, sus suposiciones y ejemplos que distingan el comportamiento previsto. Una pregunta de depuración puede incluir evidencia del fallo y preguntar qué ruta del código fuente lo explica. El acceso al repositorio, la ejecución de código y la aplicación del cambio provienen de las herramientas de desarrollo que lo integran.
El anuncio original describe posentrenamiento personalizado y ajuste fino para contextos empresariales y bases de conocimiento específicos de un dominio. Es un proceso de adaptación distinto, no una afirmación de que el modelo predeterminado ya conoce los documentos de una organización particular. Para una respuesta condicionada por fuentes, proporciona los documentos y la terminología relevantes directamente con la tarea y define las reglas de respuesta.
Límites de edición y resultado
Esta entrada conserva la identidad 2505 de Medium 3 y su contexto de 128k. El número de parámetros de la arquitectura y los controles configurables de razonamiento híbrido documentados posteriormente para Medium 3.5 no forman parte de la especificación declarada de esta edición. La página del modelo exacto no publica un número de parámetros ni una longitud máxima de respuesta estricta e independiente que pueda tomarse de una versión posterior.
Prepara el resultado previsto antes de la solicitud: una explicación, una extracción estructurada, una sección revisada o código propuesto. Mantén explícitos la evidencia textual y visual, las identidades de las fuentes y los resultados de herramientas conectadas para que la respuesta se pueda revisar y usar en el siguiente paso de la aplicación.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-medium-3 | 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 $0.0008 / 1K tokens Salida · Tokens de salida $0.004 / 1K tokens Entrada · Lectura de caché $0.00008 / 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 $0.0008 / 1K tokens Salida · Tokens de salida $0.004 / 1K tokens Entrada · Lectura de caché $0.00008 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistralai/mistral-medium-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-3', '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-medium-3', '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-medium-3
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.