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": { "practical_html": "Ejemplo técnico en inglés
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral 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/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-medium-3-5 | 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 $0.003 / 1K tokens Salida · Tokens de salida $0.015 / 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 $0.003 / 1K tokens Salida · Tokens de salida $0.015 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3-5", "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-medium-3-5',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-medium-3-5',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-medium-3-5
Usa las rutas de método indicadas arriba.
mistralai/mistral-medium-3-5Mistral 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/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/mistral-medium-3-5 | 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 $0.003 / 1K tokens Salida · Tokens de salida $0.015 / 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 $0.003 / 1K tokens Salida · Tokens de salida $0.015 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-3-5', '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-medium-3-5', '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-medium-3-5
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.