Mistral Large 4 es el modelo multimodal de propósito general de Mistral AI que combina seguimiento de instrucciones, razonamiento, programación y trabajo con agentes. Acepta texto e imágenes y produce texto, incluidas explicaciones, código y campos estructurados. Su arquitectura granular de mezcla de expertos utiliza componentes seleccionados para cada token en lugar de activar simultáneamente todo el conjunto de parámetros.
Arquitectura y contexto
La página actual del modelo enumera 1,05 billones de parámetros totales, 52 mil millones de parámetros activos y un codificador visual de 1,6 mil millones de parámetros. La página de lanzamiento del fabricante aclara el criterio de recuento: 49 mil millones de parámetros activos por token, o 52 mil millones si se incluyen embeddings y capas de salida. Estas cifras describen la estructura del modelo, no la longitud de una respuesta.
El fabricante documenta una ventana de contexto de un millón de tokens. Utilízala para reunir un volumen considerable de fuentes, la conversación y las instrucciones, definiendo a la vez la finalidad del entregable final. Para una pregunta sobre varios documentos, identifica cada documento y su función y solicita la ubicación de origen junto a cada hallazgo. Un contexto amplio es útil cuando se deben considerar juntos requisitos, diagramas y explicaciones relacionadas.
Respuestas estructuradas y preguntas sobre documentos
La ficha del modelo enumera salidas estructuradas, llamadas a funciones, preguntas y respuestas sobre documentos, prefijos de respuesta, envío por lotes y conversaciones de agentes. La documentación de salida estructurada de Mistral distingue el modo JSON de un esquema personalizado. Especifica en el prompt el formato JSON requerido; utiliza un esquema definido cuando la interfaz conectada necesite una estructura concreta de campos. Un registro puede separar hechos de origen, interpretaciones y preguntas abiertas en lugar de reunirlos en un único párrafo.
Las preguntas y respuestas sobre documentos constituyen un flujo que combina procesamiento documental con comprensión del modelo lingüístico. OCR prepara el texto, la estructura y el formato; después, el modelo responde a una pregunta sobre ese material. Una solicitud puede localizar un requisito, comparar afirmaciones entre documentos o resumir las pruebas pertinentes para una decisión. La comprensión directa de imágenes y un flujo documental asistido por OCR son formas relacionadas de preparar pruebas; el paso de procesamiento documental sigue siendo distinto de una entrada de imagen.
Por ejemplo, proporciona una especificación técnica y planos, identifica la revisión que se está considerando y solicita una matriz de requisitos. Cada fila puede contener el requisito, el documento o plano que lo respalda, la diferencia observada y la aclaración aún necesaria. Conserva las etiquetas, unidades y regiones de imagen que determinan la comparación para que el resultado siga conectado con las fuentes.
Programación, agentes y razonamiento visual
La versión describe análisis de ciberseguridad, ingeniería de software, comprensión de repositorios y flujos orientados al terminal. Para una revisión defensiva de código, proporciona la ruta pertinente del código, el comportamiento esperado y las pruebas del fallo. Pide la causa, una corrección propuesta y ejemplos que distingan el comportamiento anterior del previsto. Para una pregunta sobre el repositorio, incluye los módulos y las relaciones de llamadas necesarios para explicar el comportamiento seleccionado.
Las llamadas a funciones conectan el razonamiento con herramientas proporcionadas por la aplicación. La secuencia del fabricante define las funciones, proporciona la pregunta del usuario, deja que el modelo prepare los argumentos, ejecuta la función elegida en la aplicación y devuelve su resultado para la siguiente respuesta. Una llamada propuesta es distinta de su ejecución. La ficha también enumera herramientas integradas en la interfaz de agentes o conversaciones del fabricante; pertenecen a ese flujo conectado y no añaden una nueva modalidad de entrada o salida al modelo.
La comprensión visual incluye documentos, gráficos, escenas naturales y planos de ingeniería. Una tarea con planos puede preguntar qué componente etiquetado cumple un requisito proporcionado, qué dimensión o anotación respalda el hallazgo y qué región necesita una inspección más detallada. Los ejemplos de agentes visuales de la versión combinan interpretación y pasos de inspección; ampliar, recuperar información y realizar otras acciones requieren el entorno de herramientas que rodea al modelo.
Ciencia, matemáticas y entregables profesionales
El fabricante describe programación científica, análisis de datos, modelización y razonamiento matemático entre las aplicaciones previstas. Proporciona las ecuaciones, las suposiciones, las unidades y la forma requerida del resultado. Una solicitud de programación científica puede pedir una implementación, el significado de cada variable y un plan para comparar su salida con condiciones de referencia. Producir esa implementación es un resultado textual; ejecutar la simulación o crear un archivo requiere el entorno de la aplicación.
Para trabajo documental profesional, proporciona los informes de origen y define el entregable: una tabla comparativa, una explicación, un pasaje revisado o contenido de una hoja de cálculo. Indica la base del cálculo y conserva las ubicaciones de los documentos de apoyo. La versión también describe entrenamiento multilingüe en más de 160 idiomas, incluidos todos los idiomas oficiales de la Unión Europea; identifica el idioma de salida y la terminología requeridos al preparar una tarea multilingüe.
Límites útiles
Las modalidades documentadas son entradas de texto e imagen con salida textual. El contexto de un millón de tokens del fabricante no es una especificación independiente de longitud máxima de respuesta, y las fuentes consultadas no establecen un límite estricto independiente de salida para esta entrada. Mantén explícitos la edición Large 4 exacta, las pruebas preparadas y las herramientas conectadas. Un registro estructurado, una explicación o una acción propuesta resultan más útiles cuando sus campos, fuentes de apoyo y siguiente paso de la aplicación se definen antes de la solicitud.
", "aboutText": "Mistral Large 4 es el modelo multimodal de propósito general de Mistral AI que combina seguimiento de instrucciones, razonamiento, programación y trabajo con agentes. Acepta texto e imágenes y produce texto, incluidas explicaciones, código y campos estructurados. Su arquitectura granular de mezcla de expertos utiliza componentes seleccionados para cada token en lugar de activar simultáneamente todo el conjunto de parámetros.\n\nArquitectura y contexto\n\nLa página actual del modelo enumera 1,05 billones de parámetros totales, 52 mil millones de parámetros activos y un codificador visual de 1,6 mil millones de parámetros. La página de lanzamiento del fabricante aclara el criterio de recuento: 49 mil millones de parámetros activos por token, o 52 mil millones si se incluyen embeddings y capas de salida. Estas cifras describen la estructura del modelo, no la longitud de una respuesta.\n\nEl fabricante documenta una ventana de contexto de un millón de tokens. Utilízala para reunir un volumen considerable de fuentes, la conversación y las instrucciones, definiendo a la vez la finalidad del entregable final. Para una pregunta sobre varios documentos, identifica cada documento y su función y solicita la ubicación de origen junto a cada hallazgo. Un contexto amplio es útil cuando se deben considerar juntos requisitos, diagramas y explicaciones relacionadas.\n\nRespuestas estructuradas y preguntas sobre documentos\n\nLa ficha del modelo enumera salidas estructuradas, llamadas a funciones, preguntas y respuestas sobre documentos, prefijos de respuesta, envío por lotes y conversaciones de agentes. La documentación de salida estructurada de Mistral distingue el modo JSON de un esquema personalizado. Especifica en el prompt el formato JSON requerido; utiliza un esquema definido cuando la interfaz conectada necesite una estructura concreta de campos. Un registro puede separar hechos de origen, interpretaciones y preguntas abiertas en lugar de reunirlos en un único párrafo.\n\nLas preguntas y respuestas sobre documentos constituyen un flujo que combina procesamiento documental con comprensión del modelo lingüístico. OCR prepara el texto, la estructura y el formato; después, el modelo responde a una pregunta sobre ese material. Una solicitud puede localizar un requisito, comparar afirmaciones entre documentos o resumir las pruebas pertinentes para una decisión. La comprensión directa de imágenes y un flujo documental asistido por OCR son formas relacionadas de preparar pruebas; el paso de procesamiento documental sigue siendo distinto de una entrada de imagen.\n\nPor ejemplo, proporciona una especificación técnica y planos, identifica la revisión que se está considerando y solicita una matriz de requisitos. Cada fila puede contener el requisito, el documento o plano que lo respalda, la diferencia observada y la aclaración aún necesaria. Conserva las etiquetas, unidades y regiones de imagen que determinan la comparación para que el resultado siga conectado con las fuentes.\n\nProgramación, agentes y razonamiento visual\n\nLa versión describe análisis de ciberseguridad, ingeniería de software, comprensión de repositorios y flujos orientados al terminal. Para una revisión defensiva de código, proporciona la ruta pertinente del código, el comportamiento esperado y las pruebas del fallo. Pide la causa, una corrección propuesta y ejemplos que distingan el comportamiento anterior del previsto. Para una pregunta sobre el repositorio, incluye los módulos y las relaciones de llamadas necesarios para explicar el comportamiento seleccionado.\n\nLas llamadas a funciones conectan el razonamiento con herramientas proporcionadas por la aplicación. La secuencia del fabricante define las funciones, proporciona la pregunta del usuario, deja que el modelo prepare los argumentos, ejecuta la función elegida en la aplicación y devuelve su resultado para la siguiente respuesta. Una llamada propuesta es distinta de su ejecución. La ficha también enumera herramientas integradas en la interfaz de agentes o conversaciones del fabricante; pertenecen a ese flujo conectado y no añaden una nueva modalidad de entrada o salida al modelo.\n\nLa comprensión visual incluye documentos, gráficos, escenas naturales y planos de ingeniería. Una tarea con planos puede preguntar qué componente etiquetado cumple un requisito proporcionado, qué dimensión o anotación respalda el hallazgo y qué región necesita una inspección más detallada. Los ejemplos de agentes visuales de la versión combinan interpretación y pasos de inspección; ampliar, recuperar información y realizar otras acciones requieren el entorno de herramientas que rodea al modelo.\n\nCiencia, matemáticas y entregables profesionales\n\nEl fabricante describe programación científica, análisis de datos, modelización y razonamiento matemático entre las aplicaciones previstas. Proporciona las ecuaciones, las suposiciones, las unidades y la forma requerida del resultado. Una solicitud de programación científica puede pedir una implementación, el significado de cada variable y un plan para comparar su salida con condiciones de referencia. Producir esa implementación es un resultado textual; ejecutar la simulación o crear un archivo requiere el entorno de la aplicación.\n\nPara trabajo documental profesional, proporciona los informes de origen y define el entregable: una tabla comparativa, una explicación, un pasaje revisado o contenido de una hoja de cálculo. Indica la base del cálculo y conserva las ubicaciones de los documentos de apoyo. La versión también describe entrenamiento multilingüe en más de 160 idiomas, incluidos todos los idiomas oficiales de la Unión Europea; identifica el idioma de salida y la terminología requeridos al preparar una tarea multilingüe.\n\nLímites útiles\n\nLas modalidades documentadas son entradas de texto e imagen con salida textual. El contexto de un millón de tokens del fabricante no es una especificación independiente de longitud máxima de respuesta, y las fuentes consultadas no establecen un límite estricto independiente de salida para esta entrada. Mantén explícitos la edición Large 4 exacta, las pruebas preparadas y las herramientas conectadas. Un registro estructurado, una explicación o una acción propuesta resultan más útiles cuando sus campos, fuentes de apoyo y siguiente paso de la aplicación se definen antes de la solicitud.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 es un modelo de texto e imagen para razonamiento, programación, análisis documental y agentes que trabajan mediante herramientas. Su contexto de un millón de tokens según el fabricante admite colecciones amplias de fuentes, con respuestas estructuradas, llamadas a funciones y una arquitectura granular de mezcla de expertos.
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 4 es el modelo multimodal de propósito general de Mistral AI que combina seguimiento de instrucciones, razonamiento, programación y trabajo con agentes. Acepta texto e imágenes y produce texto, incluidas explicaciones, código y campos estructurados. Su arquitectura granular de mezcla de expertos utiliza componentes seleccionados para cada token en lugar de activar simultáneamente todo el conjunto de parámetros.
Arquitectura y contexto
La página actual del modelo enumera 1,05 billones de parámetros totales, 52 mil millones de parámetros activos y un codificador visual de 1,6 mil millones de parámetros. La página de lanzamiento del fabricante aclara el criterio de recuento: 49 mil millones de parámetros activos por token, o 52 mil millones si se incluyen embeddings y capas de salida. Estas cifras describen la estructura del modelo, no la longitud de una respuesta.
El fabricante documenta una ventana de contexto de un millón de tokens. Utilízala para reunir un volumen considerable de fuentes, la conversación y las instrucciones, definiendo a la vez la finalidad del entregable final. Para una pregunta sobre varios documentos, identifica cada documento y su función y solicita la ubicación de origen junto a cada hallazgo. Un contexto amplio es útil cuando se deben considerar juntos requisitos, diagramas y explicaciones relacionadas.
Respuestas estructuradas y preguntas sobre documentos
La ficha del modelo enumera salidas estructuradas, llamadas a funciones, preguntas y respuestas sobre documentos, prefijos de respuesta, envío por lotes y conversaciones de agentes. La documentación de salida estructurada de Mistral distingue el modo JSON de un esquema personalizado. Especifica en el prompt el formato JSON requerido; utiliza un esquema definido cuando la interfaz conectada necesite una estructura concreta de campos. Un registro puede separar hechos de origen, interpretaciones y preguntas abiertas en lugar de reunirlos en un único párrafo.
Las preguntas y respuestas sobre documentos constituyen un flujo que combina procesamiento documental con comprensión del modelo lingüístico. OCR prepara el texto, la estructura y el formato; después, el modelo responde a una pregunta sobre ese material. Una solicitud puede localizar un requisito, comparar afirmaciones entre documentos o resumir las pruebas pertinentes para una decisión. La comprensión directa de imágenes y un flujo documental asistido por OCR son formas relacionadas de preparar pruebas; el paso de procesamiento documental sigue siendo distinto de una entrada de imagen.
Por ejemplo, proporciona una especificación técnica y planos, identifica la revisión que se está considerando y solicita una matriz de requisitos. Cada fila puede contener el requisito, el documento o plano que lo respalda, la diferencia observada y la aclaración aún necesaria. Conserva las etiquetas, unidades y regiones de imagen que determinan la comparación para que el resultado siga conectado con las fuentes.
Programación, agentes y razonamiento visual
La versión describe análisis de ciberseguridad, ingeniería de software, comprensión de repositorios y flujos orientados al terminal. Para una revisión defensiva de código, proporciona la ruta pertinente del código, el comportamiento esperado y las pruebas del fallo. Pide la causa, una corrección propuesta y ejemplos que distingan el comportamiento anterior del previsto. Para una pregunta sobre el repositorio, incluye los módulos y las relaciones de llamadas necesarios para explicar el comportamiento seleccionado.
Las llamadas a funciones conectan el razonamiento con herramientas proporcionadas por la aplicación. La secuencia del fabricante define las funciones, proporciona la pregunta del usuario, deja que el modelo prepare los argumentos, ejecuta la función elegida en la aplicación y devuelve su resultado para la siguiente respuesta. Una llamada propuesta es distinta de su ejecución. La ficha también enumera herramientas integradas en la interfaz de agentes o conversaciones del fabricante; pertenecen a ese flujo conectado y no añaden una nueva modalidad de entrada o salida al modelo.
La comprensión visual incluye documentos, gráficos, escenas naturales y planos de ingeniería. Una tarea con planos puede preguntar qué componente etiquetado cumple un requisito proporcionado, qué dimensión o anotación respalda el hallazgo y qué región necesita una inspección más detallada. Los ejemplos de agentes visuales de la versión combinan interpretación y pasos de inspección; ampliar, recuperar información y realizar otras acciones requieren el entorno de herramientas que rodea al modelo.
Ciencia, matemáticas y entregables profesionales
El fabricante describe programación científica, análisis de datos, modelización y razonamiento matemático entre las aplicaciones previstas. Proporciona las ecuaciones, las suposiciones, las unidades y la forma requerida del resultado. Una solicitud de programación científica puede pedir una implementación, el significado de cada variable y un plan para comparar su salida con condiciones de referencia. Producir esa implementación es un resultado textual; ejecutar la simulación o crear un archivo requiere el entorno de la aplicación.
Para trabajo documental profesional, proporciona los informes de origen y define el entregable: una tabla comparativa, una explicación, un pasaje revisado o contenido de una hoja de cálculo. Indica la base del cálculo y conserva las ubicaciones de los documentos de apoyo. La versión también describe entrenamiento multilingüe en más de 160 idiomas, incluidos todos los idiomas oficiales de la Unión Europea; identifica el idioma de salida y la terminología requeridos al preparar una tarea multilingüe.
Límites útiles
Las modalidades documentadas son entradas de texto e imagen con salida textual. El contexto de un millón de tokens del fabricante no es una especificación independiente de longitud máxima de respuesta, y las fuentes consultadas no establecen un límite estricto independiente de salida para esta entrada. Mantén explícitos la edición Large 4 exacta, las pruebas preparadas y las herramientas conectadas. Un registro estructurado, una explicación o una acción propuesta resultan más útiles cuando sus campos, fuentes de apoyo y siguiente paso de la aplicación se definen antes de la solicitud.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokens Salida · Tokens de salida $0.00836 / 1K tokens Entrada · Lectura de caché $0.00028 / 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 $0.00272 / 1K tokens Salida · Tokens de salida $0.00836 / 1K tokens Entrada · Lectura de caché $0.00028 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-4-0", "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-large-4-0',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-large-4-0',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 mistralai/mistral-large-4-0
Usa las rutas de método indicadas arriba.
mistralai/mistral-large-4-0Mistral Large 4 es un modelo de texto e imagen para razonamiento, programación, análisis documental y agentes que trabajan mediante herramientas. Su contexto de un millón de tokens según el fabricante admite colecciones amplias de fuentes, con respuestas estructuradas, llamadas a funciones y una arquitectura granular de mezcla de expertos.
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 4 es el modelo multimodal de propósito general de Mistral AI que combina seguimiento de instrucciones, razonamiento, programación y trabajo con agentes. Acepta texto e imágenes y produce texto, incluidas explicaciones, código y campos estructurados. Su arquitectura granular de mezcla de expertos utiliza componentes seleccionados para cada token en lugar de activar simultáneamente todo el conjunto de parámetros.
Arquitectura y contexto
La página actual del modelo enumera 1,05 billones de parámetros totales, 52 mil millones de parámetros activos y un codificador visual de 1,6 mil millones de parámetros. La página de lanzamiento del fabricante aclara el criterio de recuento: 49 mil millones de parámetros activos por token, o 52 mil millones si se incluyen embeddings y capas de salida. Estas cifras describen la estructura del modelo, no la longitud de una respuesta.
El fabricante documenta una ventana de contexto de un millón de tokens. Utilízala para reunir un volumen considerable de fuentes, la conversación y las instrucciones, definiendo a la vez la finalidad del entregable final. Para una pregunta sobre varios documentos, identifica cada documento y su función y solicita la ubicación de origen junto a cada hallazgo. Un contexto amplio es útil cuando se deben considerar juntos requisitos, diagramas y explicaciones relacionadas.
Respuestas estructuradas y preguntas sobre documentos
La ficha del modelo enumera salidas estructuradas, llamadas a funciones, preguntas y respuestas sobre documentos, prefijos de respuesta, envío por lotes y conversaciones de agentes. La documentación de salida estructurada de Mistral distingue el modo JSON de un esquema personalizado. Especifica en el prompt el formato JSON requerido; utiliza un esquema definido cuando la interfaz conectada necesite una estructura concreta de campos. Un registro puede separar hechos de origen, interpretaciones y preguntas abiertas en lugar de reunirlos en un único párrafo.
Las preguntas y respuestas sobre documentos constituyen un flujo que combina procesamiento documental con comprensión del modelo lingüístico. OCR prepara el texto, la estructura y el formato; después, el modelo responde a una pregunta sobre ese material. Una solicitud puede localizar un requisito, comparar afirmaciones entre documentos o resumir las pruebas pertinentes para una decisión. La comprensión directa de imágenes y un flujo documental asistido por OCR son formas relacionadas de preparar pruebas; el paso de procesamiento documental sigue siendo distinto de una entrada de imagen.
Por ejemplo, proporciona una especificación técnica y planos, identifica la revisión que se está considerando y solicita una matriz de requisitos. Cada fila puede contener el requisito, el documento o plano que lo respalda, la diferencia observada y la aclaración aún necesaria. Conserva las etiquetas, unidades y regiones de imagen que determinan la comparación para que el resultado siga conectado con las fuentes.
Programación, agentes y razonamiento visual
La versión describe análisis de ciberseguridad, ingeniería de software, comprensión de repositorios y flujos orientados al terminal. Para una revisión defensiva de código, proporciona la ruta pertinente del código, el comportamiento esperado y las pruebas del fallo. Pide la causa, una corrección propuesta y ejemplos que distingan el comportamiento anterior del previsto. Para una pregunta sobre el repositorio, incluye los módulos y las relaciones de llamadas necesarios para explicar el comportamiento seleccionado.
Las llamadas a funciones conectan el razonamiento con herramientas proporcionadas por la aplicación. La secuencia del fabricante define las funciones, proporciona la pregunta del usuario, deja que el modelo prepare los argumentos, ejecuta la función elegida en la aplicación y devuelve su resultado para la siguiente respuesta. Una llamada propuesta es distinta de su ejecución. La ficha también enumera herramientas integradas en la interfaz de agentes o conversaciones del fabricante; pertenecen a ese flujo conectado y no añaden una nueva modalidad de entrada o salida al modelo.
La comprensión visual incluye documentos, gráficos, escenas naturales y planos de ingeniería. Una tarea con planos puede preguntar qué componente etiquetado cumple un requisito proporcionado, qué dimensión o anotación respalda el hallazgo y qué región necesita una inspección más detallada. Los ejemplos de agentes visuales de la versión combinan interpretación y pasos de inspección; ampliar, recuperar información y realizar otras acciones requieren el entorno de herramientas que rodea al modelo.
Ciencia, matemáticas y entregables profesionales
El fabricante describe programación científica, análisis de datos, modelización y razonamiento matemático entre las aplicaciones previstas. Proporciona las ecuaciones, las suposiciones, las unidades y la forma requerida del resultado. Una solicitud de programación científica puede pedir una implementación, el significado de cada variable y un plan para comparar su salida con condiciones de referencia. Producir esa implementación es un resultado textual; ejecutar la simulación o crear un archivo requiere el entorno de la aplicación.
Para trabajo documental profesional, proporciona los informes de origen y define el entregable: una tabla comparativa, una explicación, un pasaje revisado o contenido de una hoja de cálculo. Indica la base del cálculo y conserva las ubicaciones de los documentos de apoyo. La versión también describe entrenamiento multilingüe en más de 160 idiomas, incluidos todos los idiomas oficiales de la Unión Europea; identifica el idioma de salida y la terminología requeridos al preparar una tarea multilingüe.
Límites útiles
Las modalidades documentadas son entradas de texto e imagen con salida textual. El contexto de un millón de tokens del fabricante no es una especificación independiente de longitud máxima de respuesta, y las fuentes consultadas no establecen un límite estricto independiente de salida para esta entrada. Mantén explícitos la edición Large 4 exacta, las pruebas preparadas y las herramientas conectadas. Un registro estructurado, una explicación o una acción propuesta resultan más útiles cuando sus campos, fuentes de apoyo y siguiente paso de la aplicación se definen antes de la solicitud.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokens Salida · Tokens de salida $0.00836 / 1K tokens Entrada · Lectura de caché $0.00028 / 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 $0.00272 / 1K tokens Salida · Tokens de salida $0.00836 / 1K tokens Entrada · Lectura de caché $0.00028 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-large-4-0', '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-large-4-0', '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 mistralai/mistral-large-4-0
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.