Mistral Large 2411 es un modelo denso de Mistral AI con 123 mil millones de parámetros y ajustado para seguir instrucciones. El fabricante describe capacidades de texto multilingüe, razonamiento y programación, con una ventana de contexto de 128K y funciones documentadas de llamadas a funciones y salida JSON. El perfil de alojamiento específico indica una longitud de contexto de 128.000 tokens.
Etiqueta el texto que debe utilizar la respuesta e identifica la pregunta que lo relaciona. Una comparación puede solicitar los requisitos, las excepciones o las decisiones de cada fuente, con las etiquetas de apoyo junto a los hallazgos. Un borrador puede especificar el público, los hechos que se deben transmitir y la longitud deseada.
Para trabajar con código, proporciona la interfaz pertinente, entradas representativas y salidas esperadas. Solicita una implementación o corrección delimitada, con pruebas para los casos que identifiques. El fabricante describe un entrenamiento en más de 80 lenguajes de programación; especifica el lenguaje y las convenciones del proyecto que necesita la tarea actual. Inspecciona y ejecuta el código devuelto en ese proyecto antes de integrarlo.
La ficha del modelo documenta llamadas a funciones dentro de un flujo de aplicación. La aplicación proporciona las definiciones de las funciones, realiza una operación solicitada y devuelve el resultado real. Conserva ese resultado junto con la solicitud correspondiente antes de pedir al modelo que continúe o prepare una respuesta final.
Para la salida JSON, define los campos, los tipos y el tratamiento de los valores ausentes. Valida la estructura devuelta y compara su contenido con el material proporcionado antes de utilizarlo en otra operación. Una solicitud de función o una respuesta estructurada forman parte de un flujo con sus propios pasos de revisión y ejecución.
El fabricante recomienda un prompt del sistema que indique la finalidad del asistente. Especifica el estilo de respuesta, las condiciones de la tarea y la terminología que debe utilizar. El formato documentado del modelo de Mistral tiene su propio tratamiento de los prompts del sistema para despliegues directos.
Mantén los pasajes, el código y las decisiones anteriores pertinentes dentro del contexto indicado para este perfil, dejando espacio para el resultado solicitado. Proporciona pruebas actuales para las preguntas que dependan de ellas. Conserva el identificador de edición 2411 junto con el prompt y la respuesta al comparar revisiones del modelo.
", "aboutText": "Mistral Large 2411 es un modelo denso de Mistral AI con 123 mil millones de parámetros y ajustado para seguir instrucciones. El fabricante describe capacidades de texto multilingüe, razonamiento y programación, con una ventana de contexto de 128K y funciones documentadas de llamadas a funciones y salida JSON. El perfil de alojamiento específico indica una longitud de contexto de 128.000 tokens.\n\n### Trabaja a partir de pasajes o código\n\nEtiqueta el texto que debe utilizar la respuesta e identifica la pregunta que lo relaciona. Una comparación puede solicitar los requisitos, las excepciones o las decisiones de cada fuente, con las etiquetas de apoyo junto a los hallazgos. Un borrador puede especificar el público, los hechos que se deben transmitir y la longitud deseada.\n\nPara trabajar con código, proporciona la interfaz pertinente, entradas representativas y salidas esperadas. Solicita una implementación o corrección delimitada, con pruebas para los casos que identifiques. El fabricante describe un entrenamiento en más de 80 lenguajes de programación; especifica el lenguaje y las convenciones del proyecto que necesita la tarea actual. Inspecciona y ejecuta el código devuelto en ese proyecto antes de integrarlo.\n\n### Funciones y resultados estructurados\n\nLa ficha del modelo documenta llamadas a funciones dentro de un flujo de aplicación. La aplicación proporciona las definiciones de las funciones, realiza una operación solicitada y devuelve el resultado real. Conserva ese resultado junto con la solicitud correspondiente antes de pedir al modelo que continúe o prepare una respuesta final.\n\nPara la salida JSON, define los campos, los tipos y el tratamiento de los valores ausentes. Valida la estructura devuelta y compara su contenido con el material proporcionado antes de utilizarlo en otra operación. Una solicitud de función o una respuesta estructurada forman parte de un flujo con sus propios pasos de revisión y ejecución.\n\n### Define el papel y el contexto pertinente\n\nEl fabricante recomienda un prompt del sistema que indique la finalidad del asistente. Especifica el estilo de respuesta, las condiciones de la tarea y la terminología que debe utilizar. El formato documentado del modelo de Mistral tiene su propio tratamiento de los prompts del sistema para despliegues directos.\n\nMantén los pasajes, el código y las decisiones anteriores pertinentes dentro del contexto indicado para este perfil, dejando espacio para el resultado solicitado. Proporciona pruebas actuales para las preguntas que dependan de ellas. Conserva el identificador de edición 2411 junto con el prompt y la respuesta al comparar revisiones del modelo.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Implement a stable deduplication helper\n\nWrite a Python function unique_ids(values) that returns the first occurrence of each case-sensitive string in input order. Preserve empty strings; do not sort or lowercase values. For ["B", "a", "B", "", "a"], specify the expected output. Include tests for empty input and strings that differ only in case.A function implementation and three explicit input/output tests for ordering, empty input and case sensitivity.Check that first-occurrence order is preserved and uppercase/lowercase identifiers are not merged.mistral-large-2411Mistral Large 2411 es el modelo de texto denso de 123 mil millones de parámetros de Mistral AI para trabajo multilingüe, razonamiento y tareas de código. Su ficha documenta un contexto de 128K, llamadas a funciones y salida JSON; proporciona fuentes etiquetadas y una solicitud concreta de respuesta o implementación.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Large 2411 es un modelo denso de Mistral AI con 123 mil millones de parámetros y ajustado para seguir instrucciones. El fabricante describe capacidades de texto multilingüe, razonamiento y programación, con una ventana de contexto de 128K y funciones documentadas de llamadas a funciones y salida JSON. El perfil de alojamiento específico indica una longitud de contexto de 128.000 tokens.
Etiqueta el texto que debe utilizar la respuesta e identifica la pregunta que lo relaciona. Una comparación puede solicitar los requisitos, las excepciones o las decisiones de cada fuente, con las etiquetas de apoyo junto a los hallazgos. Un borrador puede especificar el público, los hechos que se deben transmitir y la longitud deseada.
Para trabajar con código, proporciona la interfaz pertinente, entradas representativas y salidas esperadas. Solicita una implementación o corrección delimitada, con pruebas para los casos que identifiques. El fabricante describe un entrenamiento en más de 80 lenguajes de programación; especifica el lenguaje y las convenciones del proyecto que necesita la tarea actual. Inspecciona y ejecuta el código devuelto en ese proyecto antes de integrarlo.
La ficha del modelo documenta llamadas a funciones dentro de un flujo de aplicación. La aplicación proporciona las definiciones de las funciones, realiza una operación solicitada y devuelve el resultado real. Conserva ese resultado junto con la solicitud correspondiente antes de pedir al modelo que continúe o prepare una respuesta final.
Para la salida JSON, define los campos, los tipos y el tratamiento de los valores ausentes. Valida la estructura devuelta y compara su contenido con el material proporcionado antes de utilizarlo en otra operación. Una solicitud de función o una respuesta estructurada forman parte de un flujo con sus propios pasos de revisión y ejecución.
El fabricante recomienda un prompt del sistema que indique la finalidad del asistente. Especifica el estilo de respuesta, las condiciones de la tarea y la terminología que debe utilizar. El formato documentado del modelo de Mistral tiene su propio tratamiento de los prompts del sistema para despliegues directos.
Mantén los pasajes, el código y las decisiones anteriores pertinentes dentro del contexto indicado para este perfil, dejando espacio para el resultado solicitado. Proporciona pruebas actuales para las preguntas que dependan de ellas. Conserva el identificador de edición 2411 junto con el prompt y la respuesta al comparar revisiones del modelo.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistral-large-2411 | 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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0044 / 1K tokens Salida · Tokens de salida $0.0132 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistral-large-2411", "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='mistral-large-2411',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='mistral-large-2411',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 las cabeceras. 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 mistral-large-2411
Usa las rutas de método indicadas arriba.
mistral-large-2411Mistral Large 2411 es el modelo de texto denso de 123 mil millones de parámetros de Mistral AI para trabajo multilingüe, razonamiento y tareas de código. Su ficha documenta un contexto de 128K, llamadas a funciones y salida JSON; proporciona fuentes etiquetadas y una solicitud concreta de respuesta o implementación.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Large 2411 es un modelo denso de Mistral AI con 123 mil millones de parámetros y ajustado para seguir instrucciones. El fabricante describe capacidades de texto multilingüe, razonamiento y programación, con una ventana de contexto de 128K y funciones documentadas de llamadas a funciones y salida JSON. El perfil de alojamiento específico indica una longitud de contexto de 128.000 tokens.
Etiqueta el texto que debe utilizar la respuesta e identifica la pregunta que lo relaciona. Una comparación puede solicitar los requisitos, las excepciones o las decisiones de cada fuente, con las etiquetas de apoyo junto a los hallazgos. Un borrador puede especificar el público, los hechos que se deben transmitir y la longitud deseada.
Para trabajar con código, proporciona la interfaz pertinente, entradas representativas y salidas esperadas. Solicita una implementación o corrección delimitada, con pruebas para los casos que identifiques. El fabricante describe un entrenamiento en más de 80 lenguajes de programación; especifica el lenguaje y las convenciones del proyecto que necesita la tarea actual. Inspecciona y ejecuta el código devuelto en ese proyecto antes de integrarlo.
La ficha del modelo documenta llamadas a funciones dentro de un flujo de aplicación. La aplicación proporciona las definiciones de las funciones, realiza una operación solicitada y devuelve el resultado real. Conserva ese resultado junto con la solicitud correspondiente antes de pedir al modelo que continúe o prepare una respuesta final.
Para la salida JSON, define los campos, los tipos y el tratamiento de los valores ausentes. Valida la estructura devuelta y compara su contenido con el material proporcionado antes de utilizarlo en otra operación. Una solicitud de función o una respuesta estructurada forman parte de un flujo con sus propios pasos de revisión y ejecución.
El fabricante recomienda un prompt del sistema que indique la finalidad del asistente. Especifica el estilo de respuesta, las condiciones de la tarea y la terminología que debe utilizar. El formato documentado del modelo de Mistral tiene su propio tratamiento de los prompts del sistema para despliegues directos.
Mantén los pasajes, el código y las decisiones anteriores pertinentes dentro del contexto indicado para este perfil, dejando espacio para el resultado solicitado. Proporciona pruebas actuales para las preguntas que dependan de ellas. Conserva el identificador de edición 2411 junto con el prompt y la respuesta al comparar revisiones del modelo.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistral-large-2411 | 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.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.0044 / 1K tokens Salida · Tokens de salida $0.0132 / 1K tokens Entrada · Lectura de caché $0 / 1K tokens Entrada · Escritura en caché $0 / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistral-large-2411",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-large-2411', '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': 'mistral-large-2411', '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 las cabeceras. 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 mistral-large-2411
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Implement a stable deduplication helper\n\nWrite a Python function unique_ids(values) that returns the first occurrence of each case-sensitive string in input order. Preserve empty strings; do not sort or lowercase values. For ["B", "a", "B", "", "a"], specify the expected output. Include tests for empty input and strings that differ only in case.A function implementation and three explicit input/output tests for ordering, empty input and case sensitivity.Check that first-occurrence order is preserved and uppercase/lowercase identifiers are not merged.