Mistral Large est la famille multimodale généraliste de Mistral AI pour les documents complexes, l’ingénierie logicielle et les tâches d’agents. Large 4 réunit suivi d’instructions, raisonnement et outils avec une compréhension visuelle native. Son architecture granulaire à mélange d’experts comprend 1 050 milliards de paramètres au total, dont 52 milliards actifs, avec un encodeur visuel de 1,6 milliard de paramètres. Sa fenêtre de contexte est de 1 million de tokens. Large 3 est une édition distincte comptant 675 milliards de paramètres au total, 41 milliards actifs et un contexte de 256 k tokens.
Le modèle exploite des tâches écrites et des éléments visuels pour produire du texte, du code ou des résultats structurés. Dans le processus de raisonnement de Large 4, un effort minimal renvoie directement la réponse, tandis qu’un effort élevé inclut un segment de raisonnement avant la réponse finale. Les messages complets de l’assistant préservent la continuité lors des échanges suivants. La sortie structurée peut utiliser JSON ou un schéma personnalisé, et l’application peut fournir un préfixe pour contrôler le début de la réponse.
Les appels de fonctions relient une tâche analytique aux informations et actions externes. Fournissez les descriptions des fonctions, les champs d’entrée et l’objectif de l’utilisateur. Le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute, renvoie le résultat et poursuit la conversation. Le processus peut comporter des appels successifs ou plusieurs appels parallèles. Les questions sur documents associent extraction documentaire et compréhension linguistique, tandis que les lots traitent des ensembles de requêtes de façon asynchrone. La disponibilité et l’exécution des outils proviennent de l’application entourant le modèle.
Les capacités de Large 4 commencent par l’analyse de sécurité : le fabricant décrit le tri de logiciels malveillants, la priorisation de vulnérabilités et la préparation de règles de détection pour des usages défensifs. La programmation avec des agents vise la compréhension de dépôts, les modifications logicielles et les processus complexes en terminal. Une mission utile identifie le comportement concerné, les fichiers et dépendances impliqués et les vérifications établissant la justesse du résultat.
Pour les processus généraux d’agents, le modèle peut rassembler des ressources, utiliser des outils connectés et assembler des livrables tels que documents, tableurs et contenu de diapositives. Son travail multimodal couvre les graphiques, pages complexes, scènes naturelles et plans techniques. L’ancrage visuel relie une question à un objet ou une zone ; une tâche d’ingénierie peut examiner un plan fourni, comparer les pièces visibles et renvoyer une explication liée aux éléments observés. En analyse documentaire, demandez la page, le tableau ou le passage précis étayant chaque conclusion.
Les applications scientifiques et mathématiques comprennent l’analyse de données, la modélisation, le code de simulation et les tâches approfondies de mathématiques appliquées. Le travail de connaissance comprend l’édition de documents et de tableurs et la comparaison de sources. Une tâche via l’API Ailoot peut préciser un plan de rapport modifiable, des constats structurés ou du code à exécuter et vérifier par l’application. Ces sorties sont distinctes : une explication répond à une question, un résultat structuré transmet des données et un processus avec outils utilise l’application pour créer ou mettre à jour le livrable final.
L’entraînement de Large 4 inclut des contenus multilingues couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne. Son post-entraînement associe ajustement supervisé et apprentissage par renforcement sur le raisonnement, le travail scientifique, les outils, la factualité et l’alignement de sécurité. Ce travail de sécurité vise les injections indirectes de prompts et les demandes malveillantes en cybersécurité. La sélection de famille reste une lignée évolutive : les architectures chiffrées, contextes et comportements de raisonnement ci-dessus concernent les éditions explicitement nommées, qui restent distinctes lors du choix d’une version fixe.
", "aboutText": "Mistral Large est la famille multimodale généraliste de Mistral AI pour les documents complexes, l’ingénierie logicielle et les tâches d’agents. Large 4 réunit suivi d’instructions, raisonnement et outils avec une compréhension visuelle native. Son architecture granulaire à mélange d’experts comprend 1 050 milliards de paramètres au total, dont 52 milliards actifs, avec un encodeur visuel de 1,6 milliard de paramètres. Sa fenêtre de contexte est de 1 million de tokens. Large 3 est une édition distincte comptant 675 milliards de paramètres au total, 41 milliards actifs et un contexte de 256 k tokens.\n\nLe modèle exploite des tâches écrites et des éléments visuels pour produire du texte, du code ou des résultats structurés. Dans le processus de raisonnement de Large 4, un effort minimal renvoie directement la réponse, tandis qu’un effort élevé inclut un segment de raisonnement avant la réponse finale. Les messages complets de l’assistant préservent la continuité lors des échanges suivants. La sortie structurée peut utiliser JSON ou un schéma personnalisé, et l’application peut fournir un préfixe pour contrôler le début de la réponse.\n\nLes appels de fonctions relient une tâche analytique aux informations et actions externes. Fournissez les descriptions des fonctions, les champs d’entrée et l’objectif de l’utilisateur. Le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute, renvoie le résultat et poursuit la conversation. Le processus peut comporter des appels successifs ou plusieurs appels parallèles. Les questions sur documents associent extraction documentaire et compréhension linguistique, tandis que les lots traitent des ensembles de requêtes de façon asynchrone. La disponibilité et l’exécution des outils proviennent de l’application entourant le modèle.\n\nLes capacités de Large 4 commencent par l’analyse de sécurité : le fabricant décrit le tri de logiciels malveillants, la priorisation de vulnérabilités et la préparation de règles de détection pour des usages défensifs. La programmation avec des agents vise la compréhension de dépôts, les modifications logicielles et les processus complexes en terminal. Une mission utile identifie le comportement concerné, les fichiers et dépendances impliqués et les vérifications établissant la justesse du résultat.\n\nPour les processus généraux d’agents, le modèle peut rassembler des ressources, utiliser des outils connectés et assembler des livrables tels que documents, tableurs et contenu de diapositives. Son travail multimodal couvre les graphiques, pages complexes, scènes naturelles et plans techniques. L’ancrage visuel relie une question à un objet ou une zone ; une tâche d’ingénierie peut examiner un plan fourni, comparer les pièces visibles et renvoyer une explication liée aux éléments observés. En analyse documentaire, demandez la page, le tableau ou le passage précis étayant chaque conclusion.\n\nLes applications scientifiques et mathématiques comprennent l’analyse de données, la modélisation, le code de simulation et les tâches approfondies de mathématiques appliquées. Le travail de connaissance comprend l’édition de documents et de tableurs et la comparaison de sources. Une tâche via l’API Ailoot peut préciser un plan de rapport modifiable, des constats structurés ou du code à exécuter et vérifier par l’application. Ces sorties sont distinctes : une explication répond à une question, un résultat structuré transmet des données et un processus avec outils utilise l’application pour créer ou mettre à jour le livrable final.\n\nL’entraînement de Large 4 inclut des contenus multilingues couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne. Son post-entraînement associe ajustement supervisé et apprentissage par renforcement sur le raisonnement, le travail scientifique, les outils, la factualité et l’alignement de sécurité. Ce travail de sécurité vise les injections indirectes de prompts et les demandes malveillantes en cybersécurité. La sélection de famille reste une lignée évolutive : les architectures chiffrées, contextes et comportements de raisonnement ci-dessus concernent les éditions explicitement nommées, qui restent distinctes lors du choix d’une version fixe.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Design a capacity calculation\n\nWrite a small Python function for this capacity model: each machine makes 18 parts per hour, but only 80 percent of its scheduled hours are productive. Given machine count and scheduled hours, return estimated parts as a numeric value. State assumptions and supply checks for one machine over five hours and zero machines.A Python function, explicit units and assumptions, and two calculation checks.Check the utilization factor is applied once and zero machines gives zero output.mistralai/mistral-largeLa famille Large de Mistral AI associe compréhension de documents et d’images, raisonnement, programmation et processus utilisant des outils. Les éditions Large publiées prennent en charge les réponses structurées et les contextes longs, avec une architecture et une capacité de contexte propres à chaque version nommée.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Large est la famille multimodale généraliste de Mistral AI pour les documents complexes, l’ingénierie logicielle et les tâches d’agents. Large 4 réunit suivi d’instructions, raisonnement et outils avec une compréhension visuelle native. Son architecture granulaire à mélange d’experts comprend 1 050 milliards de paramètres au total, dont 52 milliards actifs, avec un encodeur visuel de 1,6 milliard de paramètres. Sa fenêtre de contexte est de 1 million de tokens. Large 3 est une édition distincte comptant 675 milliards de paramètres au total, 41 milliards actifs et un contexte de 256 k tokens.
Le modèle exploite des tâches écrites et des éléments visuels pour produire du texte, du code ou des résultats structurés. Dans le processus de raisonnement de Large 4, un effort minimal renvoie directement la réponse, tandis qu’un effort élevé inclut un segment de raisonnement avant la réponse finale. Les messages complets de l’assistant préservent la continuité lors des échanges suivants. La sortie structurée peut utiliser JSON ou un schéma personnalisé, et l’application peut fournir un préfixe pour contrôler le début de la réponse.
Les appels de fonctions relient une tâche analytique aux informations et actions externes. Fournissez les descriptions des fonctions, les champs d’entrée et l’objectif de l’utilisateur. Le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute, renvoie le résultat et poursuit la conversation. Le processus peut comporter des appels successifs ou plusieurs appels parallèles. Les questions sur documents associent extraction documentaire et compréhension linguistique, tandis que les lots traitent des ensembles de requêtes de façon asynchrone. La disponibilité et l’exécution des outils proviennent de l’application entourant le modèle.
Les capacités de Large 4 commencent par l’analyse de sécurité : le fabricant décrit le tri de logiciels malveillants, la priorisation de vulnérabilités et la préparation de règles de détection pour des usages défensifs. La programmation avec des agents vise la compréhension de dépôts, les modifications logicielles et les processus complexes en terminal. Une mission utile identifie le comportement concerné, les fichiers et dépendances impliqués et les vérifications établissant la justesse du résultat.
Pour les processus généraux d’agents, le modèle peut rassembler des ressources, utiliser des outils connectés et assembler des livrables tels que documents, tableurs et contenu de diapositives. Son travail multimodal couvre les graphiques, pages complexes, scènes naturelles et plans techniques. L’ancrage visuel relie une question à un objet ou une zone ; une tâche d’ingénierie peut examiner un plan fourni, comparer les pièces visibles et renvoyer une explication liée aux éléments observés. En analyse documentaire, demandez la page, le tableau ou le passage précis étayant chaque conclusion.
Les applications scientifiques et mathématiques comprennent l’analyse de données, la modélisation, le code de simulation et les tâches approfondies de mathématiques appliquées. Le travail de connaissance comprend l’édition de documents et de tableurs et la comparaison de sources. Une tâche via l’API Ailoot peut préciser un plan de rapport modifiable, des constats structurés ou du code à exécuter et vérifier par l’application. Ces sorties sont distinctes : une explication répond à une question, un résultat structuré transmet des données et un processus avec outils utilise l’application pour créer ou mettre à jour le livrable final.
L’entraînement de Large 4 inclut des contenus multilingues couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne. Son post-entraînement associe ajustement supervisé et apprentissage par renforcement sur le raisonnement, le travail scientifique, les outils, la factualité et l’alignement de sécurité. Ce travail de sécurité vise les injections indirectes de prompts et les demandes malveillantes en cybersécurité. La sélection de famille reste une lignée évolutive : les architectures chiffrées, contextes et comportements de raisonnement ci-dessus concernent les éditions explicitement nommées, qui restent distinctes lors du choix d’une version fixe.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-large | 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 $0.004 / 1K tokens Sortie · Tokens en sortie $0.012 / 1K tokens Entrée · Lecture du cache $0.0004 / 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 $0.004 / 1K tokens Sortie · Tokens en sortie $0.012 / 1K tokens Entrée · Lecture du cache $0.0004 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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", "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',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',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
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-largeLa famille Large de Mistral AI associe compréhension de documents et d’images, raisonnement, programmation et processus utilisant des outils. Les éditions Large publiées prennent en charge les réponses structurées et les contextes longs, avec une architecture et une capacité de contexte propres à chaque version nommée.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Large est la famille multimodale généraliste de Mistral AI pour les documents complexes, l’ingénierie logicielle et les tâches d’agents. Large 4 réunit suivi d’instructions, raisonnement et outils avec une compréhension visuelle native. Son architecture granulaire à mélange d’experts comprend 1 050 milliards de paramètres au total, dont 52 milliards actifs, avec un encodeur visuel de 1,6 milliard de paramètres. Sa fenêtre de contexte est de 1 million de tokens. Large 3 est une édition distincte comptant 675 milliards de paramètres au total, 41 milliards actifs et un contexte de 256 k tokens.
Le modèle exploite des tâches écrites et des éléments visuels pour produire du texte, du code ou des résultats structurés. Dans le processus de raisonnement de Large 4, un effort minimal renvoie directement la réponse, tandis qu’un effort élevé inclut un segment de raisonnement avant la réponse finale. Les messages complets de l’assistant préservent la continuité lors des échanges suivants. La sortie structurée peut utiliser JSON ou un schéma personnalisé, et l’application peut fournir un préfixe pour contrôler le début de la réponse.
Les appels de fonctions relient une tâche analytique aux informations et actions externes. Fournissez les descriptions des fonctions, les champs d’entrée et l’objectif de l’utilisateur. Le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute, renvoie le résultat et poursuit la conversation. Le processus peut comporter des appels successifs ou plusieurs appels parallèles. Les questions sur documents associent extraction documentaire et compréhension linguistique, tandis que les lots traitent des ensembles de requêtes de façon asynchrone. La disponibilité et l’exécution des outils proviennent de l’application entourant le modèle.
Les capacités de Large 4 commencent par l’analyse de sécurité : le fabricant décrit le tri de logiciels malveillants, la priorisation de vulnérabilités et la préparation de règles de détection pour des usages défensifs. La programmation avec des agents vise la compréhension de dépôts, les modifications logicielles et les processus complexes en terminal. Une mission utile identifie le comportement concerné, les fichiers et dépendances impliqués et les vérifications établissant la justesse du résultat.
Pour les processus généraux d’agents, le modèle peut rassembler des ressources, utiliser des outils connectés et assembler des livrables tels que documents, tableurs et contenu de diapositives. Son travail multimodal couvre les graphiques, pages complexes, scènes naturelles et plans techniques. L’ancrage visuel relie une question à un objet ou une zone ; une tâche d’ingénierie peut examiner un plan fourni, comparer les pièces visibles et renvoyer une explication liée aux éléments observés. En analyse documentaire, demandez la page, le tableau ou le passage précis étayant chaque conclusion.
Les applications scientifiques et mathématiques comprennent l’analyse de données, la modélisation, le code de simulation et les tâches approfondies de mathématiques appliquées. Le travail de connaissance comprend l’édition de documents et de tableurs et la comparaison de sources. Une tâche via l’API Ailoot peut préciser un plan de rapport modifiable, des constats structurés ou du code à exécuter et vérifier par l’application. Ces sorties sont distinctes : une explication répond à une question, un résultat structuré transmet des données et un processus avec outils utilise l’application pour créer ou mettre à jour le livrable final.
L’entraînement de Large 4 inclut des contenus multilingues couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne. Son post-entraînement associe ajustement supervisé et apprentissage par renforcement sur le raisonnement, le travail scientifique, les outils, la factualité et l’alignement de sécurité. Ce travail de sécurité vise les injections indirectes de prompts et les demandes malveillantes en cybersécurité. La sélection de famille reste une lignée évolutive : les architectures chiffrées, contextes et comportements de raisonnement ci-dessus concernent les éditions explicitement nommées, qui restent distinctes lors du choix d’une version fixe.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-large | 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 $0.004 / 1K tokens Sortie · Tokens en sortie $0.012 / 1K tokens Entrée · Lecture du cache $0.0004 / 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 $0.004 / 1K tokens Sortie · Tokens en sortie $0.012 / 1K tokens Entrée · Lecture du cache $0.0004 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-large",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Design a capacity calculation\n\nWrite a small Python function for this capacity model: each machine makes 18 parts per hour, but only 80 percent of its scheduled hours are productive. Given machine count and scheduled hours, return estimated parts as a numeric value. State assumptions and supply checks for one machine over five hours and zero machines.A Python function, explicit units and assumptions, and two calculation checks.Check the utilization factor is applied once and zero machines gives zero output.