Mistral Medium 3.5 es el modelo denso de 128 mil millones de parámetros de Mistral AI que combina seguimiento de instrucciones, razonamiento y programación en un único conjunto de pesos. Recibe texto e imágenes y devuelve texto. El fabricante lo orienta a tareas con agentes y de programación, mientras que el mismo punto de control puede producir una respuesta conversacional directa o utilizar su modo de razonamiento documentado para una tarea más compleja.
Modelo unificado y capacidades visuales
La ficha publicada especifica 128 mil millones de parámetros densos y una ventana de contexto de 256k. Su codificador visual está entrenado para manejar distintos tamaños de imagen y relaciones de aspecto. Las imágenes pueden aportar pruebas a una tarea de programación o documental: una captura de una interfaz, un diagrama que acompañe a un requisito o una página con información que el modelo deba interpretar. El resultado puede ser una explicación escrita, código o campos estructurados, en lugar de una imagen generada.
El fabricante describe compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También destaca el seguimiento de los prompts del sistema y las llamadas nativas a funciones con salida JSON. Establece el público, el idioma y las reglas de respuesta por separado del material examinado, para que la redacción de un documento fuente siga siendo una prueba para la tarea.
Ajustes de razonamiento
La ficha documenta dos valores de esfuerzo de razonamiento por solicitud. El valor none ofrece una respuesta basada en instrucciones sin modo de razonamiento; high activa el razonamiento y se recomienda para prompts complejos y programación con agentes. Se trata de una elección de modo dentro del mismo punto de control Medium 3.5, no de una identidad de modelo diferente.
Para un esfuerzo de razonamiento alto, el fabricante recomienda temperature 0.7 y top-p 0.95. Para none, documenta temperaturas entre 0.0 y 0.7 según la tarea y deja top-p sin establecer o en 1.0. Son recomendaciones de la versión. Elige primero la finalidad de la salida: una extracción concisa de campos, un cambio de código con explicación o una comparación que requiera varias decisiones justificadas.
Una tarea práctica de razonamiento puede proporcionar un requisito, la implementación y la entrada que revela una discrepancia. Pide al modelo que identifique la ruta pertinente, explique la diferencia y proponga el cambio mínimo que conserve la interfaz pública. Solicita el código revisado por separado de las suposiciones y los ejemplos. El modelo genera una propuesta; compilarla, ejecutarla y aplicarla requieren el entorno de desarrollo conectado al agente.
Herramientas, documentos y ediciones previsibles
La ficha del servicio del fabricante también enumera salidas estructuradas, salidas predichas, preguntas sobre documentos, prefijos de respuesta, procesamiento por lotes y conversaciones de agentes. Para extraer datos, define los nombres de los campos, sus tipos y el tratamiento de los valores ausentes. El modo JSON proporciona una representación estructurada, mientras que un esquema personalizado define una forma más específica en la interfaz conectada. Pide únicamente el registro cuando lo vaya a analizar un programa y una explicación separada cuando una persona necesite inspeccionar la interpretación.
Las preguntas y respuestas sobre documentos combinan texto y estructura preparados mediante OCR con la comprensión del modelo lingüístico. Para una comparación, identifica los documentos y la condición que se debe evaluar; después solicita cada hallazgo con su ubicación de origen. Una salida útil puede separar los requisitos comunes, las discrepancias y las preguntas abiertas. Las preguntas directas sobre imágenes pueden centrarse en una etiqueta de gráfico o un elemento de interfaz; conservar los encabezados, las unidades y las funciones de las imágenes ayuda a mantener la respuesta vinculada al material proporcionado.
Las salidas predichas están documentadas para tareas en las que ya se conoce gran parte de la respuesta deseada, como regenerar un archivo de código o un documento con ediciones limitadas. Proporciona el contenido existente e identifica el cambio específico, conservando las partes que deban permanecer. Esto difiere de pedir un resultado completamente nuevo o continuar desde un prefijo de respuesta conocido. Las funciones del servicio describen opciones de envío y formato; no cambian las entradas de texto e imagen ni la salida textual del modelo.
En un flujo asistido por herramientas, la aplicación proporciona descripciones de funciones y parámetros, el modelo elige una función y prepara los argumentos, y la aplicación la ejecuta y devuelve el resultado. Una herramienta de cálculo puede recibir valores leídos de una imagen proporcionada, mientras que una herramienta de consulta puede aportar la información ausente para la siguiente respuesta. Mantén el resultado de la herramienta asociado a la operación que lo produjo. El razonamiento con agentes depende de ese entorno; la generación de texto por sí sola no realiza acciones externas.
Preparación de sesiones largas
Utiliza el contexto de 256k para código fuente, documentos e historial de conversación relacionados, y mantén explícito el objetivo real. Una sesión de programación puede conservar el módulo, su llamador y los requisitos mientras solicita un cambio definido. Una sesión documental puede mantener juntas las secciones pertinentes y devolver una tabla breve o un pasaje revisado. La capacidad de contexto no especifica una longitud máxima independiente de respuesta; el ejemplo de generación de 1.024 tokens de la ficha es una ilustración, no ese límite.
El fabricante señala que una configuración publicada anteriormente contenía un error de contexto largo y que se ha corregido, incluida su relevancia para los puntos de control derivados. Conserva la configuración corregida de la versión al utilizar los pesos en sesiones largas. Los modos híbridos y la arquitectura de 128 mil millones de parámetros de Medium 3.5 no deben atribuirse a Medium 3.1 ni a un punto de control con cabeza de predicción preliminar nombrado por separado solo porque sus nombres compartan una familia.
", "aboutText": "Mistral Medium 3.5 es el modelo denso de 128 mil millones de parámetros de Mistral AI que combina seguimiento de instrucciones, razonamiento y programación en un único conjunto de pesos. Recibe texto e imágenes y devuelve texto. El fabricante lo orienta a tareas con agentes y de programación, mientras que el mismo punto de control puede producir una respuesta conversacional directa o utilizar su modo de razonamiento documentado para una tarea más compleja.\n\nModelo unificado y capacidades visuales\n\nLa ficha publicada especifica 128 mil millones de parámetros densos y una ventana de contexto de 256k. Su codificador visual está entrenado para manejar distintos tamaños de imagen y relaciones de aspecto. Las imágenes pueden aportar pruebas a una tarea de programación o documental: una captura de una interfaz, un diagrama que acompañe a un requisito o una página con información que el modelo deba interpretar. El resultado puede ser una explicación escrita, código o campos estructurados, en lugar de una imagen generada.\n\nEl fabricante describe compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También destaca el seguimiento de los prompts del sistema y las llamadas nativas a funciones con salida JSON. Establece el público, el idioma y las reglas de respuesta por separado del material examinado, para que la redacción de un documento fuente siga siendo una prueba para la tarea.\n\nAjustes de razonamiento\n\nLa ficha documenta dos valores de esfuerzo de razonamiento por solicitud. El valor none ofrece una respuesta basada en instrucciones sin modo de razonamiento; high activa el razonamiento y se recomienda para prompts complejos y programación con agentes. Se trata de una elección de modo dentro del mismo punto de control Medium 3.5, no de una identidad de modelo diferente.\n\nPara un esfuerzo de razonamiento alto, el fabricante recomienda temperature 0.7 y top-p 0.95. Para none, documenta temperaturas entre 0.0 y 0.7 según la tarea y deja top-p sin establecer o en 1.0. Son recomendaciones de la versión. Elige primero la finalidad de la salida: una extracción concisa de campos, un cambio de código con explicación o una comparación que requiera varias decisiones justificadas.\n\nUna tarea práctica de razonamiento puede proporcionar un requisito, la implementación y la entrada que revela una discrepancia. Pide al modelo que identifique la ruta pertinente, explique la diferencia y proponga el cambio mínimo que conserve la interfaz pública. Solicita el código revisado por separado de las suposiciones y los ejemplos. El modelo genera una propuesta; compilarla, ejecutarla y aplicarla requieren el entorno de desarrollo conectado al agente.\n\nHerramientas, documentos y ediciones previsibles\n\nLa ficha del servicio del fabricante también enumera salidas estructuradas, salidas predichas, preguntas sobre documentos, prefijos de respuesta, procesamiento por lotes y conversaciones de agentes. Para extraer datos, define los nombres de los campos, sus tipos y el tratamiento de los valores ausentes. El modo JSON proporciona una representación estructurada, mientras que un esquema personalizado define una forma más específica en la interfaz conectada. Pide únicamente el registro cuando lo vaya a analizar un programa y una explicación separada cuando una persona necesite inspeccionar la interpretación.\n\nLas preguntas y respuestas sobre documentos combinan texto y estructura preparados mediante OCR con la comprensión del modelo lingüístico. Para una comparación, identifica los documentos y la condición que se debe evaluar; después solicita cada hallazgo con su ubicación de origen. Una salida útil puede separar los requisitos comunes, las discrepancias y las preguntas abiertas. Las preguntas directas sobre imágenes pueden centrarse en una etiqueta de gráfico o un elemento de interfaz; conservar los encabezados, las unidades y las funciones de las imágenes ayuda a mantener la respuesta vinculada al material proporcionado.\n\nLas salidas predichas están documentadas para tareas en las que ya se conoce gran parte de la respuesta deseada, como regenerar un archivo de código o un documento con ediciones limitadas. Proporciona el contenido existente e identifica el cambio específico, conservando las partes que deban permanecer. Esto difiere de pedir un resultado completamente nuevo o continuar desde un prefijo de respuesta conocido. Las funciones del servicio describen opciones de envío y formato; no cambian las entradas de texto e imagen ni la salida textual del modelo.\n\nEn un flujo asistido por herramientas, la aplicación proporciona descripciones de funciones y parámetros, el modelo elige una función y prepara los argumentos, y la aplicación la ejecuta y devuelve el resultado. Una herramienta de cálculo puede recibir valores leídos de una imagen proporcionada, mientras que una herramienta de consulta puede aportar la información ausente para la siguiente respuesta. Mantén el resultado de la herramienta asociado a la operación que lo produjo. El razonamiento con agentes depende de ese entorno; la generación de texto por sí sola no realiza acciones externas.\n\nPreparación de sesiones largas\n\nUtiliza el contexto de 256k para código fuente, documentos e historial de conversación relacionados, y mantén explícito el objetivo real. Una sesión de programación puede conservar el módulo, su llamador y los requisitos mientras solicita un cambio definido. Una sesión documental puede mantener juntas las secciones pertinentes y devolver una tabla breve o un pasaje revisado. La capacidad de contexto no especifica una longitud máxima independiente de respuesta; el ejemplo de generación de 1.024 tokens de la ficha es una ilustración, no ese límite.\n\nEl fabricante señala que una configuración publicada anteriormente contenía un error de contexto largo y que se ha corregido, incluida su relevancia para los puntos de control derivados. Conserva la configuración corregida de la versión al utilizar los pesos en sesiones largas. Los modos híbridos y la arquitectura de 128 mil millones de parámetros de Medium 3.5 no deben atribuirse a Medium 3.1 ni a un punto de control con cabeza de predicción preliminar nombrado por separado solo porque sus nombres compartan una familia.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6c7124c3d0a9417534a5bc406a0bf63cf57efb7c73a885b531309dfb7ea08bd0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "mistralai/mistral-medium-3-5:batchMistral Medium 3.5 combina seguimiento de instrucciones, razonamiento y programación en un modelo denso de texto e imagen de 128 mil millones de parámetros. Cuenta con un contexto de 256k según el fabricante, ajustes de razonamiento por solicitud, llamadas nativas a funciones y salida estructurada para flujos documentales y de agentes.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Mistral Medium 3.5 es el modelo denso de 128 mil millones de parámetros de Mistral AI que combina seguimiento de instrucciones, razonamiento y programación en un único conjunto de pesos. Recibe texto e imágenes y devuelve texto. El fabricante lo orienta a tareas con agentes y de programación, mientras que el mismo punto de control puede producir una respuesta conversacional directa o utilizar su modo de razonamiento documentado para una tarea más compleja.
Modelo unificado y capacidades visuales
La ficha publicada especifica 128 mil millones de parámetros densos y una ventana de contexto de 256k. Su codificador visual está entrenado para manejar distintos tamaños de imagen y relaciones de aspecto. Las imágenes pueden aportar pruebas a una tarea de programación o documental: una captura de una interfaz, un diagrama que acompañe a un requisito o una página con información que el modelo deba interpretar. El resultado puede ser una explicación escrita, código o campos estructurados, en lugar de una imagen generada.
El fabricante describe compatibilidad multilingüe con decenas de idiomas, entre ellos inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, japonés, coreano y árabe. También destaca el seguimiento de los prompts del sistema y las llamadas nativas a funciones con salida JSON. Establece el público, el idioma y las reglas de respuesta por separado del material examinado, para que la redacción de un documento fuente siga siendo una prueba para la tarea.
Ajustes de razonamiento
La ficha documenta dos valores de esfuerzo de razonamiento por solicitud. El valor none ofrece una respuesta basada en instrucciones sin modo de razonamiento; high activa el razonamiento y se recomienda para prompts complejos y programación con agentes. Se trata de una elección de modo dentro del mismo punto de control Medium 3.5, no de una identidad de modelo diferente.
Para un esfuerzo de razonamiento alto, el fabricante recomienda temperature 0.7 y top-p 0.95. Para none, documenta temperaturas entre 0.0 y 0.7 según la tarea y deja top-p sin establecer o en 1.0. Son recomendaciones de la versión. Elige primero la finalidad de la salida: una extracción concisa de campos, un cambio de código con explicación o una comparación que requiera varias decisiones justificadas.
Una tarea práctica de razonamiento puede proporcionar un requisito, la implementación y la entrada que revela una discrepancia. Pide al modelo que identifique la ruta pertinente, explique la diferencia y proponga el cambio mínimo que conserve la interfaz pública. Solicita el código revisado por separado de las suposiciones y los ejemplos. El modelo genera una propuesta; compilarla, ejecutarla y aplicarla requieren el entorno de desarrollo conectado al agente.
Herramientas, documentos y ediciones previsibles
La ficha del servicio del fabricante también enumera salidas estructuradas, salidas predichas, preguntas sobre documentos, prefijos de respuesta, procesamiento por lotes y conversaciones de agentes. Para extraer datos, define los nombres de los campos, sus tipos y el tratamiento de los valores ausentes. El modo JSON proporciona una representación estructurada, mientras que un esquema personalizado define una forma más específica en la interfaz conectada. Pide únicamente el registro cuando lo vaya a analizar un programa y una explicación separada cuando una persona necesite inspeccionar la interpretación.
Las preguntas y respuestas sobre documentos combinan texto y estructura preparados mediante OCR con la comprensión del modelo lingüístico. Para una comparación, identifica los documentos y la condición que se debe evaluar; después solicita cada hallazgo con su ubicación de origen. Una salida útil puede separar los requisitos comunes, las discrepancias y las preguntas abiertas. Las preguntas directas sobre imágenes pueden centrarse en una etiqueta de gráfico o un elemento de interfaz; conservar los encabezados, las unidades y las funciones de las imágenes ayuda a mantener la respuesta vinculada al material proporcionado.
Las salidas predichas están documentadas para tareas en las que ya se conoce gran parte de la respuesta deseada, como regenerar un archivo de código o un documento con ediciones limitadas. Proporciona el contenido existente e identifica el cambio específico, conservando las partes que deban permanecer. Esto difiere de pedir un resultado completamente nuevo o continuar desde un prefijo de respuesta conocido. Las funciones del servicio describen opciones de envío y formato; no cambian las entradas de texto e imagen ni la salida textual del modelo.
En un flujo asistido por herramientas, la aplicación proporciona descripciones de funciones y parámetros, el modelo elige una función y prepara los argumentos, y la aplicación la ejecuta y devuelve el resultado. Una herramienta de cálculo puede recibir valores leídos de una imagen proporcionada, mientras que una herramienta de consulta puede aportar la información ausente para la siguiente respuesta. Mantén el resultado de la herramienta asociado a la operación que lo produjo. El razonamiento con agentes depende de ese entorno; la generación de texto por sí sola no realiza acciones externas.
Preparación de sesiones largas
Utiliza el contexto de 256k para código fuente, documentos e historial de conversación relacionados, y mantén explícito el objetivo real. Una sesión de programación puede conservar el módulo, su llamador y los requisitos mientras solicita un cambio definido. Una sesión documental puede mantener juntas las secciones pertinentes y devolver una tabla breve o un pasaje revisado. La capacidad de contexto no especifica una longitud máxima independiente de respuesta; el ejemplo de generación de 1.024 tokens de la ficha es una ilustración, no ese límite.
El fabricante señala que una configuración publicada anteriormente contenía un error de contexto largo y que se ha corregido, incluida su relevancia para los puntos de control derivados. Conserva la configuración corregida de la versión al utilizar los pesos en sesiones largas. Los modos híbridos y la arquitectura de 128 mil millones de parámetros de Medium 3.5 no deben atribuirse a Medium 3.1 ni a un punto de control con cabeza de predicción preliminar nombrado por separado solo porque sus nombres compartan una familia.
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-medium-3-5: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-medium-3-5:batch, mistralai/mistral-medium-3-5 | 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 $0.0015 / 1K tokens Salida · Tokens de salida $0.0075 / 1K tokens Entrada · Lectura de caché — / 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 $0.0015 / 1K tokens Salida · Tokens de salida $0.0075 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-medium-3-5: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-medium-3-5:batch', 'mistralai/mistral-medium-3-5']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3-5: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-medium-3-5:batch
Usa las rutas de método indicadas arriba.