Mistral Large 2407 est l’édition 24.07 de Mistral Large 2 de Mistral AI. Ce modèle linguistique dense compte 123 milliards de paramètres et une fenêtre de contexte de 128 k tokens. Il traite des instructions écrites et la conversation pour générer du texte, du code ou du JSON. Cette édition fixe reste distincte des générations Large multimodales ultérieures et d’une sélection évolutive de la famille Large.
Le travail multilingue est central dans cette publication. Son producteur décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le néerlandais, le russe, le chinois, le japonais, le coréen, l’arabe et l’hindi. Pour une tâche documentaire, précisez la langue source, celle de la réponse et la terminologie à conserver. Un résultat utile peut comparer deux passages, résumer un long dossier ou extraire les informations nécessaires à une décision professionnelle.
La programmation est un autre axe majeur : l’entraînement couvre plus de 80 langages, dont Python, Java, C, C++, JavaScript, Bash, Swift et Fortran. Préparez la mission avec le code pertinent, le comportement attendu et la contrainte à préserver. Demandez la modification proposée et sa justification, puis les vérifications répondant à l’échec observé. Vous reliez ainsi le code généré à un résultat défini plutôt qu’à un fragment simplement plausible.
La publication insiste sur le raisonnement mathématique, le respect précis des instructions et les longues conversations à plusieurs tours. L’entraînement encourage les réponses concises et la reconnaissance des informations manquantes lorsqu’une solution assurée n’est pas étayée. Un prompt de résolution peut fournir les prémisses et demander la conclusion, les étapes intermédiaires utiles et toute entrée manquante. Les tours suivants peuvent affiner une contrainte tout en conservant la conversation établie.
Les appels de fonctions natifs prennent en charge les appels parallèles et successifs, et la sortie JSON transmet des informations à une application. Décrivez les fonctions disponibles et leurs champs d’entrée, puis l’objectif de l’utilisateur. Le modèle propose les appels ; l’application les exécute et renvoie leurs résultats avant la poursuite du modèle. Préservez l’association appel-résultat tout au long de l’échange. Les exemples publiés de cette édition utilisent des identifiants d’appels d’outils de neuf caractères alphanumériques dans le protocole du producteur.
Pour un travail fondé sur la recherche documentaire, fournissez le contenu pertinent ou laissez l’application le récupérer. Demandez à la réponse d’identifier le passage étayant chaque conclusion. Par exemple, un assistant de politique interne peut comparer la situation d’un utilisateur à la politique fournie et renvoyer la règle applicable, les éléments justificatifs et la prochaine question à résoudre. Une extraction JSON doit définir les champs requis et le traitement des informations absentes de la source. La génération JSON est une capacité du modèle ; l’application doit encore vérifier la conformité à la structure requise.
Le point de contrôle d’instruction publié ne possède pas de mécanismes de modération intégrés, comme l’indique explicitement sa fiche. Une application nécessitant des sorties modérées doit fournir ses propres contrôles. Le contexte long reste une ressource finie : préparez les sections documentaires et la conversation pertinentes afin de laisser de la place à la réponse à côté des entrées.
", "aboutText": "Mistral Large 2407 est l’édition 24.07 de Mistral Large 2 de Mistral AI. Ce modèle linguistique dense compte 123 milliards de paramètres et une fenêtre de contexte de 128 k tokens. Il traite des instructions écrites et la conversation pour générer du texte, du code ou du JSON. Cette édition fixe reste distincte des générations Large multimodales ultérieures et d’une sélection évolutive de la famille Large.\n\nLe travail multilingue est central dans cette publication. Son producteur décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le néerlandais, le russe, le chinois, le japonais, le coréen, l’arabe et l’hindi. Pour une tâche documentaire, précisez la langue source, celle de la réponse et la terminologie à conserver. Un résultat utile peut comparer deux passages, résumer un long dossier ou extraire les informations nécessaires à une décision professionnelle.\n\nLa programmation est un autre axe majeur : l’entraînement couvre plus de 80 langages, dont Python, Java, C, C++, JavaScript, Bash, Swift et Fortran. Préparez la mission avec le code pertinent, le comportement attendu et la contrainte à préserver. Demandez la modification proposée et sa justification, puis les vérifications répondant à l’échec observé. Vous reliez ainsi le code généré à un résultat défini plutôt qu’à un fragment simplement plausible.\n\nLa publication insiste sur le raisonnement mathématique, le respect précis des instructions et les longues conversations à plusieurs tours. L’entraînement encourage les réponses concises et la reconnaissance des informations manquantes lorsqu’une solution assurée n’est pas étayée. Un prompt de résolution peut fournir les prémisses et demander la conclusion, les étapes intermédiaires utiles et toute entrée manquante. Les tours suivants peuvent affiner une contrainte tout en conservant la conversation établie.\n\nLes appels de fonctions natifs prennent en charge les appels parallèles et successifs, et la sortie JSON transmet des informations à une application. Décrivez les fonctions disponibles et leurs champs d’entrée, puis l’objectif de l’utilisateur. Le modèle propose les appels ; l’application les exécute et renvoie leurs résultats avant la poursuite du modèle. Préservez l’association appel-résultat tout au long de l’échange. Les exemples publiés de cette édition utilisent des identifiants d’appels d’outils de neuf caractères alphanumériques dans le protocole du producteur.\n\nPour un travail fondé sur la recherche documentaire, fournissez le contenu pertinent ou laissez l’application le récupérer. Demandez à la réponse d’identifier le passage étayant chaque conclusion. Par exemple, un assistant de politique interne peut comparer la situation d’un utilisateur à la politique fournie et renvoyer la règle applicable, les éléments justificatifs et la prochaine question à résoudre. Une extraction JSON doit définir les champs requis et le traitement des informations absentes de la source. La génération JSON est une capacité du modèle ; l’application doit encore vérifier la conformité à la structure requise.\n\nLe point de contrôle d’instruction publié ne possède pas de mécanismes de modération intégrés, comme l’indique explicitement sa fiche. Une application nécessitant des sorties modérées doit fournir ses propres contrôles. Le contexte long reste une ressource finie : préparez les sections documentaires et la conversation pertinentes afin de laisser de la place à la réponse à côté des entrées.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.mistralai/mistral-large-2407Mistral Large 2407 est l’édition dense de 123 milliards de paramètres de Mistral Large 2 pour le texte multilingue, le code et le raisonnement sur un contexte de 128 k tokens. Les appels de fonctions natifs, la sortie JSON et le suivi d’instructions sur plusieurs tours accompagnent les processus documentaires et professionnels.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Large 2407 est l’édition 24.07 de Mistral Large 2 de Mistral AI. Ce modèle linguistique dense compte 123 milliards de paramètres et une fenêtre de contexte de 128 k tokens. Il traite des instructions écrites et la conversation pour générer du texte, du code ou du JSON. Cette édition fixe reste distincte des générations Large multimodales ultérieures et d’une sélection évolutive de la famille Large.
Le travail multilingue est central dans cette publication. Son producteur décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le néerlandais, le russe, le chinois, le japonais, le coréen, l’arabe et l’hindi. Pour une tâche documentaire, précisez la langue source, celle de la réponse et la terminologie à conserver. Un résultat utile peut comparer deux passages, résumer un long dossier ou extraire les informations nécessaires à une décision professionnelle.
La programmation est un autre axe majeur : l’entraînement couvre plus de 80 langages, dont Python, Java, C, C++, JavaScript, Bash, Swift et Fortran. Préparez la mission avec le code pertinent, le comportement attendu et la contrainte à préserver. Demandez la modification proposée et sa justification, puis les vérifications répondant à l’échec observé. Vous reliez ainsi le code généré à un résultat défini plutôt qu’à un fragment simplement plausible.
La publication insiste sur le raisonnement mathématique, le respect précis des instructions et les longues conversations à plusieurs tours. L’entraînement encourage les réponses concises et la reconnaissance des informations manquantes lorsqu’une solution assurée n’est pas étayée. Un prompt de résolution peut fournir les prémisses et demander la conclusion, les étapes intermédiaires utiles et toute entrée manquante. Les tours suivants peuvent affiner une contrainte tout en conservant la conversation établie.
Les appels de fonctions natifs prennent en charge les appels parallèles et successifs, et la sortie JSON transmet des informations à une application. Décrivez les fonctions disponibles et leurs champs d’entrée, puis l’objectif de l’utilisateur. Le modèle propose les appels ; l’application les exécute et renvoie leurs résultats avant la poursuite du modèle. Préservez l’association appel-résultat tout au long de l’échange. Les exemples publiés de cette édition utilisent des identifiants d’appels d’outils de neuf caractères alphanumériques dans le protocole du producteur.
Pour un travail fondé sur la recherche documentaire, fournissez le contenu pertinent ou laissez l’application le récupérer. Demandez à la réponse d’identifier le passage étayant chaque conclusion. Par exemple, un assistant de politique interne peut comparer la situation d’un utilisateur à la politique fournie et renvoyer la règle applicable, les éléments justificatifs et la prochaine question à résoudre. Une extraction JSON doit définir les champs requis et le traitement des informations absentes de la source. La génération JSON est une capacité du modèle ; l’application doit encore vérifier la conformité à la structure requise.
Le point de contrôle d’instruction publié ne possède pas de mécanismes de modération intégrés, comme l’indique explicitement sa fiche. Une application nécessitant des sorties modérées doit fournir ses propres contrôles. Le contexte long reste une ressource finie : préparez les sections documentaires et la conversation pertinentes afin de laisser de la place à la réponse à côté des entrées.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-large-2407 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.01 / 1K tokens Sortie · Tokens en sortie $0.02 / 1K tokens Entrée · Lecture du cache $0.0004 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.01 / 1K tokens Sortie · Tokens en sortie $0.02 / 1K tokens Entrée · Lecture du cache $0.0004 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-2407", "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-2407',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-2407',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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mistralai/mistral-large-2407
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-large-2407Mistral Large 2407 est l’édition dense de 123 milliards de paramètres de Mistral Large 2 pour le texte multilingue, le code et le raisonnement sur un contexte de 128 k tokens. Les appels de fonctions natifs, la sortie JSON et le suivi d’instructions sur plusieurs tours accompagnent les processus documentaires et professionnels.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Large 2407 est l’édition 24.07 de Mistral Large 2 de Mistral AI. Ce modèle linguistique dense compte 123 milliards de paramètres et une fenêtre de contexte de 128 k tokens. Il traite des instructions écrites et la conversation pour générer du texte, du code ou du JSON. Cette édition fixe reste distincte des générations Large multimodales ultérieures et d’une sélection évolutive de la famille Large.
Le travail multilingue est central dans cette publication. Son producteur décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’allemand, l’espagnol, l’italien, le portugais, le néerlandais, le russe, le chinois, le japonais, le coréen, l’arabe et l’hindi. Pour une tâche documentaire, précisez la langue source, celle de la réponse et la terminologie à conserver. Un résultat utile peut comparer deux passages, résumer un long dossier ou extraire les informations nécessaires à une décision professionnelle.
La programmation est un autre axe majeur : l’entraînement couvre plus de 80 langages, dont Python, Java, C, C++, JavaScript, Bash, Swift et Fortran. Préparez la mission avec le code pertinent, le comportement attendu et la contrainte à préserver. Demandez la modification proposée et sa justification, puis les vérifications répondant à l’échec observé. Vous reliez ainsi le code généré à un résultat défini plutôt qu’à un fragment simplement plausible.
La publication insiste sur le raisonnement mathématique, le respect précis des instructions et les longues conversations à plusieurs tours. L’entraînement encourage les réponses concises et la reconnaissance des informations manquantes lorsqu’une solution assurée n’est pas étayée. Un prompt de résolution peut fournir les prémisses et demander la conclusion, les étapes intermédiaires utiles et toute entrée manquante. Les tours suivants peuvent affiner une contrainte tout en conservant la conversation établie.
Les appels de fonctions natifs prennent en charge les appels parallèles et successifs, et la sortie JSON transmet des informations à une application. Décrivez les fonctions disponibles et leurs champs d’entrée, puis l’objectif de l’utilisateur. Le modèle propose les appels ; l’application les exécute et renvoie leurs résultats avant la poursuite du modèle. Préservez l’association appel-résultat tout au long de l’échange. Les exemples publiés de cette édition utilisent des identifiants d’appels d’outils de neuf caractères alphanumériques dans le protocole du producteur.
Pour un travail fondé sur la recherche documentaire, fournissez le contenu pertinent ou laissez l’application le récupérer. Demandez à la réponse d’identifier le passage étayant chaque conclusion. Par exemple, un assistant de politique interne peut comparer la situation d’un utilisateur à la politique fournie et renvoyer la règle applicable, les éléments justificatifs et la prochaine question à résoudre. Une extraction JSON doit définir les champs requis et le traitement des informations absentes de la source. La génération JSON est une capacité du modèle ; l’application doit encore vérifier la conformité à la structure requise.
Le point de contrôle d’instruction publié ne possède pas de mécanismes de modération intégrés, comme l’indique explicitement sa fiche. Une application nécessitant des sorties modérées doit fournir ses propres contrôles. Le contexte long reste une ressource finie : préparez les sections documentaires et la conversation pertinentes afin de laisser de la place à la réponse à côté des entrées.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-large-2407 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.01 / 1K tokens Sortie · Tokens en sortie $0.02 / 1K tokens Entrée · Lecture du cache $0.0004 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.01 / 1K tokens Sortie · Tokens en sortie $0.02 / 1K tokens Entrée · Lecture du cache $0.0004 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-large-2407",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2407', '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-2407', '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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mistralai/mistral-large-2407
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.