Mistral Large 4 est le modèle multimodal généraliste de Mistral AI qui réunit suivi d’instructions, raisonnement, programmation et travail d’agents. Il accepte du texte et des images et produit du texte, notamment des explications, du code et des champs structurés. Son architecture granulaire à mélange d’experts sélectionne des composants pour chaque token au lieu d’activer simultanément l’ensemble des paramètres.
Architecture et contexte
La page actuelle du modèle indique 1 050 milliards de paramètres au total, 52 milliards actifs et un encodeur visuel de 1,6 milliard de paramètres. La page de publication précise la convention de comptage : 49 milliards de paramètres actifs par token, ou 52 milliards en incluant les embeddings et les couches de sortie. Ces chiffres décrivent la structure du modèle, pas la longueur d’une réponse.
Le concepteur documente une fenêtre de contexte d’un million de tokens. Utilisez-la pour réunir un volume important de sources, la conversation et les instructions, tout en définissant la finalité du livrable. Pour une question portant sur plusieurs documents, identifiez chacun et son rôle et demandez l’emplacement source à côté de chaque constat. Un grand contexte est utile lorsque des exigences, schémas et explications connexes doivent être examinés ensemble.
Réponses structurées et questions documentaires
La fiche répertorie les sorties structurées, les appels de fonctions, les questions sur documents, les préfixes de réponse, les lots et les conversations d’agents. La documentation de Mistral distingue le mode JSON d’un schéma personnalisé. Précisez le format JSON requis dans le prompt ; utilisez un schéma défini si l’interface connectée exige une structure de champs particulière. Un enregistrement peut séparer faits sources, interprétations et questions ouvertes au lieu de les réunir dans un paragraphe.
Les questions sur documents combinent traitement documentaire et compréhension linguistique. L’OCR prépare le texte, la structure et la mise en forme, puis le modèle répond sur ces éléments. Une requête peut localiser une exigence, comparer des énoncés entre documents ou résumer les éléments pertinents pour une décision. La compréhension directe d’images et le travail documentaire assisté par OCR sont des façons liées de préparer les sources ; l’étape de traitement documentaire reste distincte d’une entrée image.
Par exemple, fournissez une spécification technique et des plans, identifiez la révision étudiée et demandez une matrice d’exigences. Chaque ligne peut contenir l’exigence, le document ou plan justificatif, la différence observée et la clarification nécessaire. Préservez les libellés, unités et zones d’image déterminant la comparaison pour que le résultat reste relié aux sources.
Programmation, agents et raisonnement visuel
La publication décrit l’analyse en cybersécurité, l’ingénierie logicielle, la compréhension de dépôts et les processus en terminal. Pour une revue défensive de code, fournissez le chemin pertinent, le comportement attendu et les éléments d’échec. Demandez la cause, une correction proposée et des exemples distinguant le comportement ancien du comportement souhaité. Pour une question sur un dépôt, incluez les modules et relations d’appel nécessaires pour expliquer le comportement retenu.
Les appels de fonctions relient le raisonnement aux outils de l’application. La séquence du concepteur définit les fonctions, fournit la question de l’utilisateur, laisse le modèle préparer les arguments, exécute la fonction choisie dans l’application puis renvoie son résultat pour la réponse suivante. Un appel proposé diffère d’une exécution. La fiche répertorie aussi des outils intégrés à l’interface d’agent ou de conversation ; ils appartiennent à ce processus connecté et n’ajoutent aucune nouvelle modalité d’entrée ou de sortie au modèle.
La compréhension visuelle couvre les documents, graphiques, scènes naturelles et plans d’ingénierie. Une tâche sur plan peut demander quel composant identifié satisfait une exigence, quelle cote ou annotation étaye le constat et quelle zone doit être examinée davantage. Les exemples d’agents visuels de la publication associent interprétation et inspection ; le zoom, la récupération d’informations et les autres actions nécessitent l’environnement d’outils.
Science, mathématiques et livrables professionnels
Le concepteur décrit la programmation scientifique, l’analyse de données, la modélisation et le raisonnement mathématique parmi les usages visés. Fournissez les équations, hypothèses, unités et la forme du résultat requis. Une demande de code scientifique peut porter sur une implémentation, le sens de chaque variable et un plan de comparaison avec des conditions de référence. Produire cette implémentation donne un résultat textuel ; exécuter la simulation ou créer un fichier nécessite l’environnement applicatif.
Pour les documents professionnels, fournissez les rapports sources et définissez le livrable : tableau comparatif, explication, passage révisé ou contenu de tableur. Indiquez la base de calcul et conservez les emplacements des documents justificatifs. La publication décrit aussi un entraînement multilingue couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne ; identifiez la langue cible et la terminologie pour une tâche multilingue.
Périmètre utile
Les modalités documentées sont le texte et les images en entrée, avec du texte en sortie. Le contexte d’un million de tokens annoncé ne constitue pas une spécification distincte de longueur maximale de réponse, et les sources consultées n’établissent pas de limite stricte indépendante de sortie pour cette entrée. Gardez explicites l’édition exacte Large 4, les éléments préparés et les outils connectés. Un enregistrement structuré, une explication ou une action proposée est surtout utile lorsque ses champs, ses sources justificatives et l’étape applicative suivante sont définis avant la requête.
", "aboutText": "Mistral Large 4 est le modèle multimodal généraliste de Mistral AI qui réunit suivi d’instructions, raisonnement, programmation et travail d’agents. Il accepte du texte et des images et produit du texte, notamment des explications, du code et des champs structurés. Son architecture granulaire à mélange d’experts sélectionne des composants pour chaque token au lieu d’activer simultanément l’ensemble des paramètres.\n\nArchitecture et contexte\n\nLa page actuelle du modèle indique 1 050 milliards de paramètres au total, 52 milliards actifs et un encodeur visuel de 1,6 milliard de paramètres. La page de publication précise la convention de comptage : 49 milliards de paramètres actifs par token, ou 52 milliards en incluant les embeddings et les couches de sortie. Ces chiffres décrivent la structure du modèle, pas la longueur d’une réponse.\n\nLe concepteur documente une fenêtre de contexte d’un million de tokens. Utilisez-la pour réunir un volume important de sources, la conversation et les instructions, tout en définissant la finalité du livrable. Pour une question portant sur plusieurs documents, identifiez chacun et son rôle et demandez l’emplacement source à côté de chaque constat. Un grand contexte est utile lorsque des exigences, schémas et explications connexes doivent être examinés ensemble.\n\nRéponses structurées et questions documentaires\n\nLa fiche répertorie les sorties structurées, les appels de fonctions, les questions sur documents, les préfixes de réponse, les lots et les conversations d’agents. La documentation de Mistral distingue le mode JSON d’un schéma personnalisé. Précisez le format JSON requis dans le prompt ; utilisez un schéma défini si l’interface connectée exige une structure de champs particulière. Un enregistrement peut séparer faits sources, interprétations et questions ouvertes au lieu de les réunir dans un paragraphe.\n\nLes questions sur documents combinent traitement documentaire et compréhension linguistique. L’OCR prépare le texte, la structure et la mise en forme, puis le modèle répond sur ces éléments. Une requête peut localiser une exigence, comparer des énoncés entre documents ou résumer les éléments pertinents pour une décision. La compréhension directe d’images et le travail documentaire assisté par OCR sont des façons liées de préparer les sources ; l’étape de traitement documentaire reste distincte d’une entrée image.\n\nPar exemple, fournissez une spécification technique et des plans, identifiez la révision étudiée et demandez une matrice d’exigences. Chaque ligne peut contenir l’exigence, le document ou plan justificatif, la différence observée et la clarification nécessaire. Préservez les libellés, unités et zones d’image déterminant la comparaison pour que le résultat reste relié aux sources.\n\nProgrammation, agents et raisonnement visuel\n\nLa publication décrit l’analyse en cybersécurité, l’ingénierie logicielle, la compréhension de dépôts et les processus en terminal. Pour une revue défensive de code, fournissez le chemin pertinent, le comportement attendu et les éléments d’échec. Demandez la cause, une correction proposée et des exemples distinguant le comportement ancien du comportement souhaité. Pour une question sur un dépôt, incluez les modules et relations d’appel nécessaires pour expliquer le comportement retenu.\n\nLes appels de fonctions relient le raisonnement aux outils de l’application. La séquence du concepteur définit les fonctions, fournit la question de l’utilisateur, laisse le modèle préparer les arguments, exécute la fonction choisie dans l’application puis renvoie son résultat pour la réponse suivante. Un appel proposé diffère d’une exécution. La fiche répertorie aussi des outils intégrés à l’interface d’agent ou de conversation ; ils appartiennent à ce processus connecté et n’ajoutent aucune nouvelle modalité d’entrée ou de sortie au modèle.\n\nLa compréhension visuelle couvre les documents, graphiques, scènes naturelles et plans d’ingénierie. Une tâche sur plan peut demander quel composant identifié satisfait une exigence, quelle cote ou annotation étaye le constat et quelle zone doit être examinée davantage. Les exemples d’agents visuels de la publication associent interprétation et inspection ; le zoom, la récupération d’informations et les autres actions nécessitent l’environnement d’outils.\n\nScience, mathématiques et livrables professionnels\n\nLe concepteur décrit la programmation scientifique, l’analyse de données, la modélisation et le raisonnement mathématique parmi les usages visés. Fournissez les équations, hypothèses, unités et la forme du résultat requis. Une demande de code scientifique peut porter sur une implémentation, le sens de chaque variable et un plan de comparaison avec des conditions de référence. Produire cette implémentation donne un résultat textuel ; exécuter la simulation ou créer un fichier nécessite l’environnement applicatif.\n\nPour les documents professionnels, fournissez les rapports sources et définissez le livrable : tableau comparatif, explication, passage révisé ou contenu de tableur. Indiquez la base de calcul et conservez les emplacements des documents justificatifs. La publication décrit aussi un entraînement multilingue couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne ; identifiez la langue cible et la terminologie pour une tâche multilingue.\n\nPérimètre utile\n\nLes modalités documentées sont le texte et les images en entrée, avec du texte en sortie. Le contexte d’un million de tokens annoncé ne constitue pas une spécification distincte de longueur maximale de réponse, et les sources consultées n’établissent pas de limite stricte indépendante de sortie pour cette entrée. Gardez explicites l’édition exacte Large 4, les éléments préparés et les outils connectés. Un enregistrement structuré, une explication ou une action proposée est surtout utile lorsque ses champs, ses sources justificatives et l’étape applicative suivante sont définis avant la requête.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 est un modèle acceptant texte et images pour le raisonnement, la programmation, l’analyse de documents et les agents utilisant des outils. Son contexte annoncé d’un million de tokens accueille de vastes ensembles de sources, avec réponses structurées, appels de fonctions et architecture granulaire à mélange d’experts.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Large 4 est le modèle multimodal généraliste de Mistral AI qui réunit suivi d’instructions, raisonnement, programmation et travail d’agents. Il accepte du texte et des images et produit du texte, notamment des explications, du code et des champs structurés. Son architecture granulaire à mélange d’experts sélectionne des composants pour chaque token au lieu d’activer simultanément l’ensemble des paramètres.
Architecture et contexte
La page actuelle du modèle indique 1 050 milliards de paramètres au total, 52 milliards actifs et un encodeur visuel de 1,6 milliard de paramètres. La page de publication précise la convention de comptage : 49 milliards de paramètres actifs par token, ou 52 milliards en incluant les embeddings et les couches de sortie. Ces chiffres décrivent la structure du modèle, pas la longueur d’une réponse.
Le concepteur documente une fenêtre de contexte d’un million de tokens. Utilisez-la pour réunir un volume important de sources, la conversation et les instructions, tout en définissant la finalité du livrable. Pour une question portant sur plusieurs documents, identifiez chacun et son rôle et demandez l’emplacement source à côté de chaque constat. Un grand contexte est utile lorsque des exigences, schémas et explications connexes doivent être examinés ensemble.
Réponses structurées et questions documentaires
La fiche répertorie les sorties structurées, les appels de fonctions, les questions sur documents, les préfixes de réponse, les lots et les conversations d’agents. La documentation de Mistral distingue le mode JSON d’un schéma personnalisé. Précisez le format JSON requis dans le prompt ; utilisez un schéma défini si l’interface connectée exige une structure de champs particulière. Un enregistrement peut séparer faits sources, interprétations et questions ouvertes au lieu de les réunir dans un paragraphe.
Les questions sur documents combinent traitement documentaire et compréhension linguistique. L’OCR prépare le texte, la structure et la mise en forme, puis le modèle répond sur ces éléments. Une requête peut localiser une exigence, comparer des énoncés entre documents ou résumer les éléments pertinents pour une décision. La compréhension directe d’images et le travail documentaire assisté par OCR sont des façons liées de préparer les sources ; l’étape de traitement documentaire reste distincte d’une entrée image.
Par exemple, fournissez une spécification technique et des plans, identifiez la révision étudiée et demandez une matrice d’exigences. Chaque ligne peut contenir l’exigence, le document ou plan justificatif, la différence observée et la clarification nécessaire. Préservez les libellés, unités et zones d’image déterminant la comparaison pour que le résultat reste relié aux sources.
Programmation, agents et raisonnement visuel
La publication décrit l’analyse en cybersécurité, l’ingénierie logicielle, la compréhension de dépôts et les processus en terminal. Pour une revue défensive de code, fournissez le chemin pertinent, le comportement attendu et les éléments d’échec. Demandez la cause, une correction proposée et des exemples distinguant le comportement ancien du comportement souhaité. Pour une question sur un dépôt, incluez les modules et relations d’appel nécessaires pour expliquer le comportement retenu.
Les appels de fonctions relient le raisonnement aux outils de l’application. La séquence du concepteur définit les fonctions, fournit la question de l’utilisateur, laisse le modèle préparer les arguments, exécute la fonction choisie dans l’application puis renvoie son résultat pour la réponse suivante. Un appel proposé diffère d’une exécution. La fiche répertorie aussi des outils intégrés à l’interface d’agent ou de conversation ; ils appartiennent à ce processus connecté et n’ajoutent aucune nouvelle modalité d’entrée ou de sortie au modèle.
La compréhension visuelle couvre les documents, graphiques, scènes naturelles et plans d’ingénierie. Une tâche sur plan peut demander quel composant identifié satisfait une exigence, quelle cote ou annotation étaye le constat et quelle zone doit être examinée davantage. Les exemples d’agents visuels de la publication associent interprétation et inspection ; le zoom, la récupération d’informations et les autres actions nécessitent l’environnement d’outils.
Science, mathématiques et livrables professionnels
Le concepteur décrit la programmation scientifique, l’analyse de données, la modélisation et le raisonnement mathématique parmi les usages visés. Fournissez les équations, hypothèses, unités et la forme du résultat requis. Une demande de code scientifique peut porter sur une implémentation, le sens de chaque variable et un plan de comparaison avec des conditions de référence. Produire cette implémentation donne un résultat textuel ; exécuter la simulation ou créer un fichier nécessite l’environnement applicatif.
Pour les documents professionnels, fournissez les rapports sources et définissez le livrable : tableau comparatif, explication, passage révisé ou contenu de tableur. Indiquez la base de calcul et conservez les emplacements des documents justificatifs. La publication décrit aussi un entraînement multilingue couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne ; identifiez la langue cible et la terminologie pour une tâche multilingue.
Périmètre utile
Les modalités documentées sont le texte et les images en entrée, avec du texte en sortie. Le contexte d’un million de tokens annoncé ne constitue pas une spécification distincte de longueur maximale de réponse, et les sources consultées n’établissent pas de limite stricte indépendante de sortie pour cette entrée. Gardez explicites l’édition exacte Large 4, les éléments préparés et les outils connectés. Un enregistrement structuré, une explication ou une action proposée est surtout utile lorsque ses champs, ses sources justificatives et l’étape applicative suivante sont définis avant la requête.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokens Sortie · Tokens en sortie $0.00836 / 1K tokens Entrée · Lecture du cache $0.00028 / 1K tokens Entrée · Écriture dans le cache — / 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 $0.00272 / 1K tokens Sortie · Tokens en sortie $0.00836 / 1K tokens Entrée · Lecture du cache $0.00028 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-4-0", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-4-0',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-4-0',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-4-0
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-large-4-0Mistral Large 4 est un modèle acceptant texte et images pour le raisonnement, la programmation, l’analyse de documents et les agents utilisant des outils. Son contexte annoncé d’un million de tokens accueille de vastes ensembles de sources, avec réponses structurées, appels de fonctions et architecture granulaire à mélange d’experts.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Large 4 est le modèle multimodal généraliste de Mistral AI qui réunit suivi d’instructions, raisonnement, programmation et travail d’agents. Il accepte du texte et des images et produit du texte, notamment des explications, du code et des champs structurés. Son architecture granulaire à mélange d’experts sélectionne des composants pour chaque token au lieu d’activer simultanément l’ensemble des paramètres.
Architecture et contexte
La page actuelle du modèle indique 1 050 milliards de paramètres au total, 52 milliards actifs et un encodeur visuel de 1,6 milliard de paramètres. La page de publication précise la convention de comptage : 49 milliards de paramètres actifs par token, ou 52 milliards en incluant les embeddings et les couches de sortie. Ces chiffres décrivent la structure du modèle, pas la longueur d’une réponse.
Le concepteur documente une fenêtre de contexte d’un million de tokens. Utilisez-la pour réunir un volume important de sources, la conversation et les instructions, tout en définissant la finalité du livrable. Pour une question portant sur plusieurs documents, identifiez chacun et son rôle et demandez l’emplacement source à côté de chaque constat. Un grand contexte est utile lorsque des exigences, schémas et explications connexes doivent être examinés ensemble.
Réponses structurées et questions documentaires
La fiche répertorie les sorties structurées, les appels de fonctions, les questions sur documents, les préfixes de réponse, les lots et les conversations d’agents. La documentation de Mistral distingue le mode JSON d’un schéma personnalisé. Précisez le format JSON requis dans le prompt ; utilisez un schéma défini si l’interface connectée exige une structure de champs particulière. Un enregistrement peut séparer faits sources, interprétations et questions ouvertes au lieu de les réunir dans un paragraphe.
Les questions sur documents combinent traitement documentaire et compréhension linguistique. L’OCR prépare le texte, la structure et la mise en forme, puis le modèle répond sur ces éléments. Une requête peut localiser une exigence, comparer des énoncés entre documents ou résumer les éléments pertinents pour une décision. La compréhension directe d’images et le travail documentaire assisté par OCR sont des façons liées de préparer les sources ; l’étape de traitement documentaire reste distincte d’une entrée image.
Par exemple, fournissez une spécification technique et des plans, identifiez la révision étudiée et demandez une matrice d’exigences. Chaque ligne peut contenir l’exigence, le document ou plan justificatif, la différence observée et la clarification nécessaire. Préservez les libellés, unités et zones d’image déterminant la comparaison pour que le résultat reste relié aux sources.
Programmation, agents et raisonnement visuel
La publication décrit l’analyse en cybersécurité, l’ingénierie logicielle, la compréhension de dépôts et les processus en terminal. Pour une revue défensive de code, fournissez le chemin pertinent, le comportement attendu et les éléments d’échec. Demandez la cause, une correction proposée et des exemples distinguant le comportement ancien du comportement souhaité. Pour une question sur un dépôt, incluez les modules et relations d’appel nécessaires pour expliquer le comportement retenu.
Les appels de fonctions relient le raisonnement aux outils de l’application. La séquence du concepteur définit les fonctions, fournit la question de l’utilisateur, laisse le modèle préparer les arguments, exécute la fonction choisie dans l’application puis renvoie son résultat pour la réponse suivante. Un appel proposé diffère d’une exécution. La fiche répertorie aussi des outils intégrés à l’interface d’agent ou de conversation ; ils appartiennent à ce processus connecté et n’ajoutent aucune nouvelle modalité d’entrée ou de sortie au modèle.
La compréhension visuelle couvre les documents, graphiques, scènes naturelles et plans d’ingénierie. Une tâche sur plan peut demander quel composant identifié satisfait une exigence, quelle cote ou annotation étaye le constat et quelle zone doit être examinée davantage. Les exemples d’agents visuels de la publication associent interprétation et inspection ; le zoom, la récupération d’informations et les autres actions nécessitent l’environnement d’outils.
Science, mathématiques et livrables professionnels
Le concepteur décrit la programmation scientifique, l’analyse de données, la modélisation et le raisonnement mathématique parmi les usages visés. Fournissez les équations, hypothèses, unités et la forme du résultat requis. Une demande de code scientifique peut porter sur une implémentation, le sens de chaque variable et un plan de comparaison avec des conditions de référence. Produire cette implémentation donne un résultat textuel ; exécuter la simulation ou créer un fichier nécessite l’environnement applicatif.
Pour les documents professionnels, fournissez les rapports sources et définissez le livrable : tableau comparatif, explication, passage révisé ou contenu de tableur. Indiquez la base de calcul et conservez les emplacements des documents justificatifs. La publication décrit aussi un entraînement multilingue couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne ; identifiez la langue cible et la terminologie pour une tâche multilingue.
Périmètre utile
Les modalités documentées sont le texte et les images en entrée, avec du texte en sortie. Le contexte d’un million de tokens annoncé ne constitue pas une spécification distincte de longueur maximale de réponse, et les sources consultées n’établissent pas de limite stricte indépendante de sortie pour cette entrée. Gardez explicites l’édition exacte Large 4, les éléments préparés et les outils connectés. Un enregistrement structuré, une explication ou une action proposée est surtout utile lorsque ses champs, ses sources justificatives et l’étape applicative suivante sont définis avant la requête.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokens Sortie · Tokens en sortie $0.00836 / 1K tokens Entrée · Lecture du cache $0.00028 / 1K tokens Entrée · Écriture dans le cache — / 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 $0.00272 / 1K tokens Sortie · Tokens en sortie $0.00836 / 1K tokens Entrée · Lecture du cache $0.00028 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-4-0', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-4-0', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-4-0
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.