Mistral Large 3 2512 es la edición de Mistral AI ajustada para seguir instrucciones en conversación general, comprensión visual y trabajo empresarial. Su arquitectura dispersa de mezcla de expertos tiene 675 mil millones de parámetros totales, con 41 mil millones activos, y una ventana de contexto de 256k. El texto y las imágenes pueden contribuir a una misma tarea, mientras que la respuesta es texto, código o un resultado estructurado.
Capacidades y preparación de entradas
El modelo combina un componente lingüístico con un codificador visual. Asigna a cada imagen una función clara: una página que leer, un diagrama que interpretar o una pantalla que explicar. Para una pantalla con mucho contenido, proporciona un recorte con los controles pertinentes y conserva las etiquetas circundantes necesarias para comprenderlos. Mistral recomienda imágenes de forma próxima al cuadrado; divide una fuente excepcionalmente estrecha o ancha en regiones útiles en lugar de reducir detalles importantes a una franja ilegible.
El fabricante enumera conversación multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. Indica el idioma de salida, el lector previsto y la terminología que se debe conservar. Para un artículo de soporte, solicita una explicación localizada con los nombres de productos sin cambios y una lista breve de traducciones dudosas que resolver antes de publicar.
Documentos largos y conocimiento empresarial
Utiliza el contexto para reunir material relacionado: texto de políticas, una especificación, decisiones existentes y la pregunta que necesita respuesta. Etiqueta cada fuente y su revisión. Una solicitud útil es: «Compara estas tres políticas de incorporación. Devuelve una tabla de requisitos comunes, conflictos y preguntas sin responder, con la sección de origen de cada hallazgo». El resultado es una comparación basada en los pasajes proporcionados, en lugar de un resumen genérico del tema.
Para una pregunta documental, identifica el nivel de detalle deseado y solicita el pasaje de apoyo junto a la conclusión. El flujo Document QnA de Mistral primero extrae el texto y la estructura del documento mediante OCR y después utiliza un modelo lingüístico para interpretar ese material. Conserva los números de página y los encabezados al preparar el texto extraído para que la respuesta pueda remitir al original. Una URL de documento, el texto extraído y las pruebas de imagen tienen requisitos de preparación diferentes; elige la forma de entrada compatible con la aplicación que utilizas.
Programación y asistencia cotidiana
Mistral orienta Large 3 tanto a la asistencia de programación como a la conversación diaria. Proporciona las funciones pertinentes, el comportamiento esperado y el fallo observado. Por ejemplo: «Este analizador descarta el último campo cuando la entrada termina sin un salto de línea. Explica la rama que falla, propón el cambio mínimo y devuelve la función corregida con tres ejemplos representativos de entrada y salida». El resultado útil es un cambio propuesto vinculado al código real y un conjunto de casos que el desarrollador puede ejecutar.
Para un borrador empresarial, proporciona juntos los hechos y el entregable deseado. Una solicitud para convertir notas de reunión en un memorando de decisión debe nombrar la decisión, las alternativas, las suposiciones pendientes y la siguiente acción. Pide al modelo que separe los hechos de las fuentes de las recomendaciones y que señale la información ausente en la sección adecuada. Esto facilita revisar la salida frente a una narración indiferenciada.
Herramientas y resultados estructurados
Las llamadas nativas a funciones permiten al modelo elegir una función proporcionada y preparar sus argumentos. La aplicación ejecuta esa función y devuelve su resultado; el modelo utiliza después la información devuelta en la respuesta. Mantén las herramientas específicas y expón solo las necesarias para la tarea. Un asistente de consulta de existencias puede recibir una referencia de producto, solicitar una consulta de inventario y explicar la cantidad y el almacén devueltos. Valida la función seleccionada y sus argumentos antes de ejecutar la solicitud, y conserva la respuesta de la herramienta junto a la respuesta final.
Para la extracción, especifica los campos, los tipos y el tratamiento de los valores ausentes. Mistral documenta el modo JSON y la salida estructurada personalizada; su modo JSON requiere una instrucción explícita para devolver JSON, mientras que un esquema personalizado proporciona un control más fuerte del formato. Un resumen de factura puede solicitar proveedor, número de factura, fecha de vencimiento, moneda y partidas, representando los valores ausentes de forma coherente. Inspecciona los valores extraídos frente al documento, incluso cuando la respuesta coincida con la estructura solicitada.
Ajustes y diferencias entre ediciones
Define el papel, la tarea y las reglas de herramientas en las instrucciones del sistema. Mistral recomienda una temperatura inferior a 0.1 para el uso en producción y cotidiano de este punto de control, explorando valores superiores para tareas creativas. Separa una solicitud de ideas variadas de una solicitud de extracción reproducible: deja espacio para alternativas en la primera y proporciona campos explícitos y restricciones de fuentes en la segunda.
Esta edición de instrucciones es distinta del punto de control base de Large 3 y de los modelos dedicados al razonamiento. El fabricante identifica el razonamiento riguroso y el trabajo visual especializado como áreas en las que puede ser preferible un modelo diseñado específicamente para esas tareas. Para un cálculo difícil, proporciona las suposiciones y las unidades, solicita comprobaciones intermedias y utiliza una herramienta de cálculo disponible para verificar el resultado. Para pruebas visuales densas, prepara regiones legibles y compara la respuesta con la fuente antes de utilizarla en un informe.
", "aboutText": "Mistral Large 3 2512 es la edición de Mistral AI ajustada para seguir instrucciones en conversación general, comprensión visual y trabajo empresarial. Su arquitectura dispersa de mezcla de expertos tiene 675 mil millones de parámetros totales, con 41 mil millones activos, y una ventana de contexto de 256k. El texto y las imágenes pueden contribuir a una misma tarea, mientras que la respuesta es texto, código o un resultado estructurado.\n\nCapacidades y preparación de entradas\n\nEl modelo combina un componente lingüístico con un codificador visual. Asigna a cada imagen una función clara: una página que leer, un diagrama que interpretar o una pantalla que explicar. Para una pantalla con mucho contenido, proporciona un recorte con los controles pertinentes y conserva las etiquetas circundantes necesarias para comprenderlos. Mistral recomienda imágenes de forma próxima al cuadrado; divide una fuente excepcionalmente estrecha o ancha en regiones útiles en lugar de reducir detalles importantes a una franja ilegible.\n\nEl fabricante enumera conversación multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. Indica el idioma de salida, el lector previsto y la terminología que se debe conservar. Para un artículo de soporte, solicita una explicación localizada con los nombres de productos sin cambios y una lista breve de traducciones dudosas que resolver antes de publicar.\n\nDocumentos largos y conocimiento empresarial\n\nUtiliza el contexto para reunir material relacionado: texto de políticas, una especificación, decisiones existentes y la pregunta que necesita respuesta. Etiqueta cada fuente y su revisión. Una solicitud útil es: «Compara estas tres políticas de incorporación. Devuelve una tabla de requisitos comunes, conflictos y preguntas sin responder, con la sección de origen de cada hallazgo». El resultado es una comparación basada en los pasajes proporcionados, en lugar de un resumen genérico del tema.\n\nPara una pregunta documental, identifica el nivel de detalle deseado y solicita el pasaje de apoyo junto a la conclusión. El flujo Document QnA de Mistral primero extrae el texto y la estructura del documento mediante OCR y después utiliza un modelo lingüístico para interpretar ese material. Conserva los números de página y los encabezados al preparar el texto extraído para que la respuesta pueda remitir al original. Una URL de documento, el texto extraído y las pruebas de imagen tienen requisitos de preparación diferentes; elige la forma de entrada compatible con la aplicación que utilizas.\n\nProgramación y asistencia cotidiana\n\nMistral orienta Large 3 tanto a la asistencia de programación como a la conversación diaria. Proporciona las funciones pertinentes, el comportamiento esperado y el fallo observado. Por ejemplo: «Este analizador descarta el último campo cuando la entrada termina sin un salto de línea. Explica la rama que falla, propón el cambio mínimo y devuelve la función corregida con tres ejemplos representativos de entrada y salida». El resultado útil es un cambio propuesto vinculado al código real y un conjunto de casos que el desarrollador puede ejecutar.\n\nPara un borrador empresarial, proporciona juntos los hechos y el entregable deseado. Una solicitud para convertir notas de reunión en un memorando de decisión debe nombrar la decisión, las alternativas, las suposiciones pendientes y la siguiente acción. Pide al modelo que separe los hechos de las fuentes de las recomendaciones y que señale la información ausente en la sección adecuada. Esto facilita revisar la salida frente a una narración indiferenciada.\n\nHerramientas y resultados estructurados\n\nLas llamadas nativas a funciones permiten al modelo elegir una función proporcionada y preparar sus argumentos. La aplicación ejecuta esa función y devuelve su resultado; el modelo utiliza después la información devuelta en la respuesta. Mantén las herramientas específicas y expón solo las necesarias para la tarea. Un asistente de consulta de existencias puede recibir una referencia de producto, solicitar una consulta de inventario y explicar la cantidad y el almacén devueltos. Valida la función seleccionada y sus argumentos antes de ejecutar la solicitud, y conserva la respuesta de la herramienta junto a la respuesta final.\n\nPara la extracción, especifica los campos, los tipos y el tratamiento de los valores ausentes. Mistral documenta el modo JSON y la salida estructurada personalizada; su modo JSON requiere una instrucción explícita para devolver JSON, mientras que un esquema personalizado proporciona un control más fuerte del formato. Un resumen de factura puede solicitar proveedor, número de factura, fecha de vencimiento, moneda y partidas, representando los valores ausentes de forma coherente. Inspecciona los valores extraídos frente al documento, incluso cuando la respuesta coincida con la estructura solicitada.\n\nAjustes y diferencias entre ediciones\n\nDefine el papel, la tarea y las reglas de herramientas en las instrucciones del sistema. Mistral recomienda una temperatura inferior a 0.1 para el uso en producción y cotidiano de este punto de control, explorando valores superiores para tareas creativas. Separa una solicitud de ideas variadas de una solicitud de extracción reproducible: deja espacio para alternativas en la primera y proporciona campos explícitos y restricciones de fuentes en la segunda.\n\nEsta edición de instrucciones es distinta del punto de control base de Large 3 y de los modelos dedicados al razonamiento. El fabricante identifica el razonamiento riguroso y el trabajo visual especializado como áreas en las que puede ser preferible un modelo diseñado específicamente para esas tareas. Para un cálculo difícil, proporciona las suposiciones y las unidades, solicita comprobaciones intermedias y utiliza una herramienta de cálculo disponible para verificar el resultado. Para pruebas visuales densas, prepara regiones legibles y compara la respuesta con la fuente antes de utilizarla en un informe.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "68257d1f85e1f447dae7ba7329f81e969fd073a6189125acc46b8862584c9851", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "mistralai/mistral-large-2512:batchMistral Large 3 2512 es un modelo multilingüe de texto e imagen para documentos largos, conocimiento empresarial, programación y trabajo asistido por herramientas. Su contexto de 256k, sus llamadas nativas a funciones y su salida estructurada ayudan a convertir pruebas proporcionadas en respuestas, registros y acciones propuestas.
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 3 2512 es la edición de Mistral AI ajustada para seguir instrucciones en conversación general, comprensión visual y trabajo empresarial. Su arquitectura dispersa de mezcla de expertos tiene 675 mil millones de parámetros totales, con 41 mil millones activos, y una ventana de contexto de 256k. El texto y las imágenes pueden contribuir a una misma tarea, mientras que la respuesta es texto, código o un resultado estructurado.
Capacidades y preparación de entradas
El modelo combina un componente lingüístico con un codificador visual. Asigna a cada imagen una función clara: una página que leer, un diagrama que interpretar o una pantalla que explicar. Para una pantalla con mucho contenido, proporciona un recorte con los controles pertinentes y conserva las etiquetas circundantes necesarias para comprenderlos. Mistral recomienda imágenes de forma próxima al cuadrado; divide una fuente excepcionalmente estrecha o ancha en regiones útiles en lugar de reducir detalles importantes a una franja ilegible.
El fabricante enumera conversación multilingüe en decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. Indica el idioma de salida, el lector previsto y la terminología que se debe conservar. Para un artículo de soporte, solicita una explicación localizada con los nombres de productos sin cambios y una lista breve de traducciones dudosas que resolver antes de publicar.
Documentos largos y conocimiento empresarial
Utiliza el contexto para reunir material relacionado: texto de políticas, una especificación, decisiones existentes y la pregunta que necesita respuesta. Etiqueta cada fuente y su revisión. Una solicitud útil es: «Compara estas tres políticas de incorporación. Devuelve una tabla de requisitos comunes, conflictos y preguntas sin responder, con la sección de origen de cada hallazgo». El resultado es una comparación basada en los pasajes proporcionados, en lugar de un resumen genérico del tema.
Para una pregunta documental, identifica el nivel de detalle deseado y solicita el pasaje de apoyo junto a la conclusión. El flujo Document QnA de Mistral primero extrae el texto y la estructura del documento mediante OCR y después utiliza un modelo lingüístico para interpretar ese material. Conserva los números de página y los encabezados al preparar el texto extraído para que la respuesta pueda remitir al original. Una URL de documento, el texto extraído y las pruebas de imagen tienen requisitos de preparación diferentes; elige la forma de entrada compatible con la aplicación que utilizas.
Programación y asistencia cotidiana
Mistral orienta Large 3 tanto a la asistencia de programación como a la conversación diaria. Proporciona las funciones pertinentes, el comportamiento esperado y el fallo observado. Por ejemplo: «Este analizador descarta el último campo cuando la entrada termina sin un salto de línea. Explica la rama que falla, propón el cambio mínimo y devuelve la función corregida con tres ejemplos representativos de entrada y salida». El resultado útil es un cambio propuesto vinculado al código real y un conjunto de casos que el desarrollador puede ejecutar.
Para un borrador empresarial, proporciona juntos los hechos y el entregable deseado. Una solicitud para convertir notas de reunión en un memorando de decisión debe nombrar la decisión, las alternativas, las suposiciones pendientes y la siguiente acción. Pide al modelo que separe los hechos de las fuentes de las recomendaciones y que señale la información ausente en la sección adecuada. Esto facilita revisar la salida frente a una narración indiferenciada.
Herramientas y resultados estructurados
Las llamadas nativas a funciones permiten al modelo elegir una función proporcionada y preparar sus argumentos. La aplicación ejecuta esa función y devuelve su resultado; el modelo utiliza después la información devuelta en la respuesta. Mantén las herramientas específicas y expón solo las necesarias para la tarea. Un asistente de consulta de existencias puede recibir una referencia de producto, solicitar una consulta de inventario y explicar la cantidad y el almacén devueltos. Valida la función seleccionada y sus argumentos antes de ejecutar la solicitud, y conserva la respuesta de la herramienta junto a la respuesta final.
Para la extracción, especifica los campos, los tipos y el tratamiento de los valores ausentes. Mistral documenta el modo JSON y la salida estructurada personalizada; su modo JSON requiere una instrucción explícita para devolver JSON, mientras que un esquema personalizado proporciona un control más fuerte del formato. Un resumen de factura puede solicitar proveedor, número de factura, fecha de vencimiento, moneda y partidas, representando los valores ausentes de forma coherente. Inspecciona los valores extraídos frente al documento, incluso cuando la respuesta coincida con la estructura solicitada.
Ajustes y diferencias entre ediciones
Define el papel, la tarea y las reglas de herramientas en las instrucciones del sistema. Mistral recomienda una temperatura inferior a 0.1 para el uso en producción y cotidiano de este punto de control, explorando valores superiores para tareas creativas. Separa una solicitud de ideas variadas de una solicitud de extracción reproducible: deja espacio para alternativas en la primera y proporciona campos explícitos y restricciones de fuentes en la segunda.
Esta edición de instrucciones es distinta del punto de control base de Large 3 y de los modelos dedicados al razonamiento. El fabricante identifica el razonamiento riguroso y el trabajo visual especializado como áreas en las que puede ser preferible un modelo diseñado específicamente para esas tareas. Para un cálculo difícil, proporciona las suposiciones y las unidades, solicita comprobaciones intermedias y utiliza una herramienta de cálculo disponible para verificar el resultado. Para pruebas visuales densas, prepara regiones legibles y compara la respuesta con la fuente antes de utilizarla en un informe.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObligatorio | Valores y límites /v1/chat/completions | Predeterminado— |
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-large-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/mistral-large-2512:batch, mistralai/mistral-large-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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00005 / 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 $0.0005 / 1K tokens Salida · Tokens de salida $0.0015 / 1K tokens Entrada · Lectura de caché $0.00005 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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/mistral-large-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/mistral-large-2512:batch', 'mistralai/mistral-large-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-large-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/mistral-large-2512:batch
Usa las rutas de método indicadas arriba.