Ministral 3 8B Instruct 2512 es el modelo de tamaño intermedio ajustado para seguir instrucciones de la familia Ministral 3 de Mistral AI. El punto de control publicado está posentrenado para tareas de chat e instrucciones con precisión FP8. Combina un componente lingüístico con un codificador visual, acepta texto e imágenes y devuelve texto, en lugar de una imagen o un archivo de audio.
Arquitectura y funciones principales
El fabricante enumera un modelo lingüístico de 8,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Su ventana de contexto se describe como 256k, y las notas de uso publicadas utilizan una longitud configurada por defecto de 262.144. Estos datos describen esta edición de tamaño 8B; los miembros más pequeño 3B y más grande 14B de la familia conservan sus propios tamaños de componentes y configuraciones.
La visión amplía la entrada del modelo más allá de una conversación escrita. Una imagen documental puede acompañarse de una pregunta sobre un campo, párrafo o relación visible seleccionados. Una captura puede acompañarse del objetivo del usuario y una solicitud de identificar el control pertinente. Pide la observación que respalda cada conclusión cuando la respuesta dependa de detalles visuales, y conserva los encabezados, las etiquetas y las unidades necesarios para interpretar un recorte.
La ficha describe trabajo multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También identifica seguimiento de instrucciones del sistema, llamadas nativas a funciones y salida JSON. Define explícitamente el idioma final, el papel y los requisitos de salida, en lugar de dejar que el modelo deduzca el entregable previsto de una entrada extensa.
Tareas documentales, de conversación y de agentes
Los casos de uso del fabricante incluyen interfaces de chat, asistentes cotidianos, descripción de imágenes y documentos, traducción, generación de contenido y agentes especializados. Para un asistente documental, proporciona la página y especifica la información que se debe devolver. Una solicitud de extracción puede indicar las etiquetas de los campos, los tipos esperados y el tratamiento de los valores ausentes. Una respuesta útil puede contener el identificador del documento, el valor extraído y una explicación breve vinculada a la fuente visible.
Para una conversación en curso, conserva la respuesta previa pertinente y formula una pregunta de seguimiento delimitada. Un usuario puede pedir primero un resumen documental y después preguntar qué afirmación respalda una conclusión. Esto cambia la salida requerida de una visión general a una explicación vinculada a fuentes, conservando el material original y la finalidad del diálogo.
Para la edición multilingüe, proporciona el pasaje original, el lector previsto y una lista terminológica. Solicita una versión revisada que conserve nombres, condiciones y unidades, seguida de una explicación breve de los cambios si resulta útil. Para generar contenido, especifica el público y los hechos que deben aparecer antes de pedir un borrador breve o una redacción alternativa.
En una tarea de agentes, la aplicación proporciona las herramientas y sus parámetros. El modelo puede elegir una función y preparar los argumentos, mientras que la aplicación la ejecuta y devuelve el resultado. El ejemplo de función de la ficha combina una pregunta sobre una imagen con una herramienta de cálculo. Mantén el resultado de la herramienta separado de la llamada propuesta para que la respuesta escrita posterior utilice la información realmente devuelta por la operación.
Preparación y ajustes recomendados
El fabricante recomienda una instrucción del sistema que describa el entorno, el caso de uso y cómo se deben utilizar las herramientas. Mantén el conjunto de herramientas bien definido y limitado al mínimo necesario para la tarea. Un flujo pequeño de consulta puede ofrecer las funciones pertinentes para la pregunta actual, con argumentos requeridos claramente nombrados, en lugar de presentar una colección amplia de operaciones inconexas.
Para el uso cotidiano y en producción, la ficha recomienda una temperatura inferior a 0.1, con temperaturas superiores disponibles para exploración creativa. Trátalo como una recomendación para el flujo de instrucciones, no como un control independiente de modo de razonamiento. La familia tiene puntos de control Base, Instruct y Reasoning distintos; esta entrada es la edición Instruct 2512, no la versión Reasoning independiente del mismo tamaño.
Para las imágenes, el fabricante recomienda proporciones próximas a 1:1 y evitar entradas muy estrechas o muy anchas. Recorta cuando sea necesario conservando las etiquetas y el contexto que requiere la pregunta. Si una página contiene varias áreas inconexas, identifica la parte que se debe inspeccionar y el resultado que se debe devolver. Una imagen legible y enfocada es más útil que pedir al modelo que adivine qué detalle pequeño importa en una página extensa.
Límites del contexto y de la edición
Planifica el texto, las imágenes, la conversación y la respuesta deseada en función del contexto configurado. Las notas de uso permiten explícitamente reducir la longitud configurada del modelo cuando se necesita menos contexto, por lo que la ventana completa no es una instrucción para llenar cada solicitud con todo el material disponible. El ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo, y las fuentes consultadas no establecen una longitud máxima estricta e independiente de respuesta.
El punto de control FP8 Instruct, la versión Base preentrenada y la versión Reasoning son ediciones separadas. El fabricante también describe la especialización y el ajuste fino como casos de uso. Conserva el punto de control nombrado y su tokenizador al preparar la conversación, y distingue la generación de texto del acceso al repositorio, la ejecución de funciones u otras acciones proporcionadas por la aplicación que rodea al modelo.
", "aboutText": "Ministral 3 8B Instruct 2512 es el modelo de tamaño intermedio ajustado para seguir instrucciones de la familia Ministral 3 de Mistral AI. El punto de control publicado está posentrenado para tareas de chat e instrucciones con precisión FP8. Combina un componente lingüístico con un codificador visual, acepta texto e imágenes y devuelve texto, en lugar de una imagen o un archivo de audio.\n\nArquitectura y funciones principales\n\nEl fabricante enumera un modelo lingüístico de 8,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Su ventana de contexto se describe como 256k, y las notas de uso publicadas utilizan una longitud configurada por defecto de 262.144. Estos datos describen esta edición de tamaño 8B; los miembros más pequeño 3B y más grande 14B de la familia conservan sus propios tamaños de componentes y configuraciones.\n\nLa visión amplía la entrada del modelo más allá de una conversación escrita. Una imagen documental puede acompañarse de una pregunta sobre un campo, párrafo o relación visible seleccionados. Una captura puede acompañarse del objetivo del usuario y una solicitud de identificar el control pertinente. Pide la observación que respalda cada conclusión cuando la respuesta dependa de detalles visuales, y conserva los encabezados, las etiquetas y las unidades necesarios para interpretar un recorte.\n\nLa ficha describe trabajo multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También identifica seguimiento de instrucciones del sistema, llamadas nativas a funciones y salida JSON. Define explícitamente el idioma final, el papel y los requisitos de salida, en lugar de dejar que el modelo deduzca el entregable previsto de una entrada extensa.\n\nTareas documentales, de conversación y de agentes\n\nLos casos de uso del fabricante incluyen interfaces de chat, asistentes cotidianos, descripción de imágenes y documentos, traducción, generación de contenido y agentes especializados. Para un asistente documental, proporciona la página y especifica la información que se debe devolver. Una solicitud de extracción puede indicar las etiquetas de los campos, los tipos esperados y el tratamiento de los valores ausentes. Una respuesta útil puede contener el identificador del documento, el valor extraído y una explicación breve vinculada a la fuente visible.\n\nPara una conversación en curso, conserva la respuesta previa pertinente y formula una pregunta de seguimiento delimitada. Un usuario puede pedir primero un resumen documental y después preguntar qué afirmación respalda una conclusión. Esto cambia la salida requerida de una visión general a una explicación vinculada a fuentes, conservando el material original y la finalidad del diálogo.\n\nPara la edición multilingüe, proporciona el pasaje original, el lector previsto y una lista terminológica. Solicita una versión revisada que conserve nombres, condiciones y unidades, seguida de una explicación breve de los cambios si resulta útil. Para generar contenido, especifica el público y los hechos que deben aparecer antes de pedir un borrador breve o una redacción alternativa.\n\nEn una tarea de agentes, la aplicación proporciona las herramientas y sus parámetros. El modelo puede elegir una función y preparar los argumentos, mientras que la aplicación la ejecuta y devuelve el resultado. El ejemplo de función de la ficha combina una pregunta sobre una imagen con una herramienta de cálculo. Mantén el resultado de la herramienta separado de la llamada propuesta para que la respuesta escrita posterior utilice la información realmente devuelta por la operación.\n\nPreparación y ajustes recomendados\n\nEl fabricante recomienda una instrucción del sistema que describa el entorno, el caso de uso y cómo se deben utilizar las herramientas. Mantén el conjunto de herramientas bien definido y limitado al mínimo necesario para la tarea. Un flujo pequeño de consulta puede ofrecer las funciones pertinentes para la pregunta actual, con argumentos requeridos claramente nombrados, en lugar de presentar una colección amplia de operaciones inconexas.\n\nPara el uso cotidiano y en producción, la ficha recomienda una temperatura inferior a 0.1, con temperaturas superiores disponibles para exploración creativa. Trátalo como una recomendación para el flujo de instrucciones, no como un control independiente de modo de razonamiento. La familia tiene puntos de control Base, Instruct y Reasoning distintos; esta entrada es la edición Instruct 2512, no la versión Reasoning independiente del mismo tamaño.\n\nPara las imágenes, el fabricante recomienda proporciones próximas a 1:1 y evitar entradas muy estrechas o muy anchas. Recorta cuando sea necesario conservando las etiquetas y el contexto que requiere la pregunta. Si una página contiene varias áreas inconexas, identifica la parte que se debe inspeccionar y el resultado que se debe devolver. Una imagen legible y enfocada es más útil que pedir al modelo que adivine qué detalle pequeño importa en una página extensa.\n\nLímites del contexto y de la edición\n\nPlanifica el texto, las imágenes, la conversación y la respuesta deseada en función del contexto configurado. Las notas de uso permiten explícitamente reducir la longitud configurada del modelo cuando se necesita menos contexto, por lo que la ventana completa no es una instrucción para llenar cada solicitud con todo el material disponible. El ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo, y las fuentes consultadas no establecen una longitud máxima estricta e independiente de respuesta.\n\nEl punto de control FP8 Instruct, la versión Base preentrenada y la versión Reasoning son ediciones separadas. El fabricante también describe la especialización y el ajuste fino como casos de uso. Conserva el punto de control nombrado y su tokenizador al preparar la conversación, y distingue la generación de texto del acceso al repositorio, la ejecución de funciones u otras acciones proporcionadas por la aplicación que rodea al modelo.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fe573e34f77cbdd426549ec228197cea03abb01f9111add917457003ca5c4601", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "mistralai/ministral-8b-2512:batchMinistral 3 8B Instruct 2512 es un modelo multilingüe de instrucciones con entradas de texto e imagen, un componente lingüístico de 8,4 mil millones de parámetros y un codificador visual de 0,4 mil millones. Admite un contexto de 256k según el fabricante, instrucciones del sistema, JSON y llamadas nativas a funciones para asistentes y flujos documentales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Ministral 3 8B Instruct 2512 es el modelo de tamaño intermedio ajustado para seguir instrucciones de la familia Ministral 3 de Mistral AI. El punto de control publicado está posentrenado para tareas de chat e instrucciones con precisión FP8. Combina un componente lingüístico con un codificador visual, acepta texto e imágenes y devuelve texto, en lugar de una imagen o un archivo de audio.
Arquitectura y funciones principales
El fabricante enumera un modelo lingüístico de 8,4 mil millones de parámetros y un codificador visual de 0,4 mil millones de parámetros. Su ventana de contexto se describe como 256k, y las notas de uso publicadas utilizan una longitud configurada por defecto de 262.144. Estos datos describen esta edición de tamaño 8B; los miembros más pequeño 3B y más grande 14B de la familia conservan sus propios tamaños de componentes y configuraciones.
La visión amplía la entrada del modelo más allá de una conversación escrita. Una imagen documental puede acompañarse de una pregunta sobre un campo, párrafo o relación visible seleccionados. Una captura puede acompañarse del objetivo del usuario y una solicitud de identificar el control pertinente. Pide la observación que respalda cada conclusión cuando la respuesta dependa de detalles visuales, y conserva los encabezados, las etiquetas y las unidades necesarios para interpretar un recorte.
La ficha describe trabajo multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También identifica seguimiento de instrucciones del sistema, llamadas nativas a funciones y salida JSON. Define explícitamente el idioma final, el papel y los requisitos de salida, en lugar de dejar que el modelo deduzca el entregable previsto de una entrada extensa.
Tareas documentales, de conversación y de agentes
Los casos de uso del fabricante incluyen interfaces de chat, asistentes cotidianos, descripción de imágenes y documentos, traducción, generación de contenido y agentes especializados. Para un asistente documental, proporciona la página y especifica la información que se debe devolver. Una solicitud de extracción puede indicar las etiquetas de los campos, los tipos esperados y el tratamiento de los valores ausentes. Una respuesta útil puede contener el identificador del documento, el valor extraído y una explicación breve vinculada a la fuente visible.
Para una conversación en curso, conserva la respuesta previa pertinente y formula una pregunta de seguimiento delimitada. Un usuario puede pedir primero un resumen documental y después preguntar qué afirmación respalda una conclusión. Esto cambia la salida requerida de una visión general a una explicación vinculada a fuentes, conservando el material original y la finalidad del diálogo.
Para la edición multilingüe, proporciona el pasaje original, el lector previsto y una lista terminológica. Solicita una versión revisada que conserve nombres, condiciones y unidades, seguida de una explicación breve de los cambios si resulta útil. Para generar contenido, especifica el público y los hechos que deben aparecer antes de pedir un borrador breve o una redacción alternativa.
En una tarea de agentes, la aplicación proporciona las herramientas y sus parámetros. El modelo puede elegir una función y preparar los argumentos, mientras que la aplicación la ejecuta y devuelve el resultado. El ejemplo de función de la ficha combina una pregunta sobre una imagen con una herramienta de cálculo. Mantén el resultado de la herramienta separado de la llamada propuesta para que la respuesta escrita posterior utilice la información realmente devuelta por la operación.
Preparación y ajustes recomendados
El fabricante recomienda una instrucción del sistema que describa el entorno, el caso de uso y cómo se deben utilizar las herramientas. Mantén el conjunto de herramientas bien definido y limitado al mínimo necesario para la tarea. Un flujo pequeño de consulta puede ofrecer las funciones pertinentes para la pregunta actual, con argumentos requeridos claramente nombrados, en lugar de presentar una colección amplia de operaciones inconexas.
Para el uso cotidiano y en producción, la ficha recomienda una temperatura inferior a 0.1, con temperaturas superiores disponibles para exploración creativa. Trátalo como una recomendación para el flujo de instrucciones, no como un control independiente de modo de razonamiento. La familia tiene puntos de control Base, Instruct y Reasoning distintos; esta entrada es la edición Instruct 2512, no la versión Reasoning independiente del mismo tamaño.
Para las imágenes, el fabricante recomienda proporciones próximas a 1:1 y evitar entradas muy estrechas o muy anchas. Recorta cuando sea necesario conservando las etiquetas y el contexto que requiere la pregunta. Si una página contiene varias áreas inconexas, identifica la parte que se debe inspeccionar y el resultado que se debe devolver. Una imagen legible y enfocada es más útil que pedir al modelo que adivine qué detalle pequeño importa en una página extensa.
Límites del contexto y de la edición
Planifica el texto, las imágenes, la conversación y la respuesta deseada en función del contexto configurado. Las notas de uso permiten explícitamente reducir la longitud configurada del modelo cuando se necesita menos contexto, por lo que la ventana completa no es una instrucción para llenar cada solicitud con todo el material disponible. El ejemplo de generación de 512 tokens de la ficha es solo un ajuste ilustrativo, y las fuentes consultadas no establecen una longitud máxima estricta e independiente de respuesta.
El punto de control FP8 Instruct, la versión Base preentrenada y la versión Reasoning son ediciones separadas. El fabricante también describe la especialización y el ajuste fino como casos de uso. Conserva el punto de control nombrado y su tokenizador al preparar la conversación, y distingue la generación de texto del acceso al repositorio, la ejecución de funciones u otras acciones proporcionadas por la aplicación que rodea al modelo.
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/ministral-8b-2512: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/ministral-8b-2512:batch, mistralai/ministral-8b-2512 | 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 la propia solicitud; cada elemento tiene custom_id y body |
Parámetrorequest_endpoint_profile | Contrato/v1/chat/completions |
Parámetrofile_material | ContratoEl cliente puede leer localmente el JSONL real en UTF-8 e incorporarlo a requests[]. No se utiliza purpose de carga, input_file_id ni ninguna referencia 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 Chat Completions de texto incluidos directamente en el contenedor Batch documentado. |
Ciclo de vida: asynchronous
GET /v1/batches/{operation_id} · response.id real de la respuesta de creación original; 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 $0.00015 / 1K tokens Salida · Tokens de salida $0.00015 / 1K tokens Entrada · Lectura de caché $0.000015 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 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 $0.00015 / 1K tokens Salida · Tokens de salida $0.00015 / 1K tokens Entrada · Lectura de caché $0.000015 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/ministral-8b-2512: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/ministral-8b-2512:batch', 'mistralai/ministral-8b-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/ministral-8b-2512: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 incluido directamente
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 resultado y su custom_id, y el cuerpo completo de la respuesta o del error. Guarda los results[] completados como JSONL sin filtrarlos.
Conserva el ID de la operación original. 503 result_pending_check incluye X-Should-Retry:false; nunca vuelvas a enviar un lote original cuyo resultado se desconoce.
| 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 | CondiciónEl contenedor documentado con contenido incluido directamente no es válido, hay claves duplicadas, la identidad de un elemento no es válida o existe un conflicto con las capacidades configuradas del modelo. | Siguiente pasoCorrige los campos indicados antes de cualquier nuevo envío. |
Respuesta401 · authentication_error | CondiciónClave API no válida. | Siguiente pasoUsa la clave Ailoot autorizada. |
Respuesta403 · permission_error | CondiciónGrupo de Batch no disponible. | Siguiente pasoComprueba los permisos de la clave y del grupo. |
Respuesta422 · invalid_request_error | CondiciónBatch se factura con cargo al saldo; se rechaza su creación con una suscripción. | Siguiente pasoUsa el grupo autorizado que se factura con cargo al saldo. |
Respuesta422 · price_unavailable | CondiciónNo se puede calcular el presupuesto de 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 la admisión antes de enviar 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 comprobación; 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/ministral-8b-2512:batch
Usa las rutas de método indicadas arriba.