Mistral Medium 3.1 est une édition multimodale de Mistral AI pour la compréhension textuelle et visuelle. Le concepteur présente cette révision comme une amélioration du ton et des performances dans la gamme Medium 3. Elle accepte texte et images et produit du texte : explication, réponse documentaire, enregistrement structuré ou proposition d’appel de fonction. L’identifiant fixe de cette édition est mistral-medium-2508.
Contexte et édition précise
La page documente une fenêtre de contexte de 128 k tokens. Utilisez-la pour réunir passages sources liés, éléments visuels, conversation et tâche de l’utilisateur. Identifiez le rôle des documents et la question avant de fournir un grand ensemble. Un contexte long peut soutenir une comparaison ciblée tandis que le livrable final reste un tableau court ou une section révisée.
Medium 3.1 conserve ses spécifications propres. Le contexte de 256 k tokens, l’architecture dense de 128 milliards de paramètres et les modes configurables de raisonnement hybride de Medium 3.5 ne doivent pas lui être attribués. La page 3.1 ne donne ni nombre de paramètres ni longueur maximale distincte de réponse que l’on pourrait remplacer sans risque par ceux du modèle ultérieur.
Sortie structurée et fonctions
Le concepteur répertorie les sorties structurées, les appels de fonctions et les sorties prédites. Pour une extraction structurée, définissez les champs requis, les types attendus et le traitement des informations absentes. Un enregistrement peut contenir l’identifiant du document, l’énoncé extrait, son emplacement source et la question restante. Demandez uniquement l’enregistrement si un programme doit l’analyser, ou gardez une explication séparée si une personne doit examiner l’interprétation.
La documentation commune de Mistral distingue le mode JSON d’un schéma personnalisé. Le mode JSON requiert une instruction explicite sur le format souhaité ; la voie personnalisée définit une structure plus précise. Il s’agit du formatage du résultat textuel, pas d’une nouvelle modalité ou d’une action externe.
Pour les fonctions, l’application définit l’opération et les arguments disponibles, le modèle choisit un appel approprié et prépare les valeurs, puis l’application l’exécute. Le résultat devient une information pour la réponse suivante. Un assistant documentaire peut rechercher des données de référence manquantes uniquement si l’application fournit cette recherche et renvoie son résultat réel. Associez l’appel proposé aux données renvoyées.
Modifications prédites et préfixes de réponse
Les sorties prédites sont utiles lorsque l’essentiel du résultat souhaité est connu, comme un document ou un fichier de code nécessitant une modification limitée. Fournissez le contenu existant et décrivez précisément le changement, y compris ce qui doit rester inchangé. Une requête peut mettre à jour la terminologie d’une section ou remplacer un détail d’implémentation en préservant le reste. La prédiction contient le contenu de sortie attendu plutôt qu’une modification déjà appliquée à un fichier.
La page répertorie aussi la continuation par préfixe. Dans la documentation de dialogue, un préfixe fournit un début connu de réponse de l’assistant, après lequel la génération continue. Un début connu et un corps prédit résolvent des problèmes de préparation différents. Les lots et les interfaces d’agents ou de conversations sont aussi des fonctions de processus, pas des éditions distinctes d’image, d’audio ou de raisonnement de Medium 3.1.
Questions documentaires et visuelles
Le processus documentaire répertorié associe texte, structure et mise en forme préparés par OCR à l’analyse linguistique. Posez une question sur la condition, le passage ou la relation précise nécessaire. Une comparaison peut identifier les documents et demander les énoncés communs, conflits et détails non résolus, en conservant l’emplacement source près de chaque constat.
Le guide de vision du concepteur inclut explicitement Medium 3.1. Une question visuelle directe peut fournir un graphique lisible, une image documentaire ou une capture et demander quels éléments visibles étayent une conclusion. Préservez axes, unités, libellés et contexte autour d’un champ recadré. Pour plusieurs images, identifiez leur ordre et leur rôle plutôt que de laisser deviner l’original, la révision ou la référence.
Par exemple, associez une exigence écrite de processus à une capture et demandez un tableau des correspondances visibles, différences et questions nécessitant davantage d’informations. Une autre tâche peut fournir deux versions d’un document et demander un passage révisé préservant les conditions communes tout en résolvant une incohérence nommée. Ce sont des usages proposés des capacités documentées de vision, de documents et de révision, avec un résultat défini à l’avance.
Préparer le livrable final
Donnez un rôle clair à l’assistant, les sources à utiliser et la forme de réponse. Distinguez les règles durables de réponse du document examiné et précisez la langue finale et la terminologie. Une réponse utile peut séparer un fait extrait, sa source et une interprétation, pour faciliter l’examen par rapport à une synthèse fusionnée.
Le résultat documenté reste du texte. Les outils externes, modifications de fichiers et traitements documentaires supplémentaires relèvent de l’application connectée. Préservez l’édition Medium 3.1 et son contexte de 128 k tokens et demandez l’explication, l’enregistrement structuré ou la révision ciblée réellement nécessaire à la suite.
", "aboutText": "Mistral Medium 3.1 est une édition multimodale de Mistral AI pour la compréhension textuelle et visuelle. Le concepteur présente cette révision comme une amélioration du ton et des performances dans la gamme Medium 3. Elle accepte texte et images et produit du texte : explication, réponse documentaire, enregistrement structuré ou proposition d’appel de fonction. L’identifiant fixe de cette édition est mistral-medium-2508.\n\nContexte et édition précise\n\nLa page documente une fenêtre de contexte de 128 k tokens. Utilisez-la pour réunir passages sources liés, éléments visuels, conversation et tâche de l’utilisateur. Identifiez le rôle des documents et la question avant de fournir un grand ensemble. Un contexte long peut soutenir une comparaison ciblée tandis que le livrable final reste un tableau court ou une section révisée.\n\nMedium 3.1 conserve ses spécifications propres. Le contexte de 256 k tokens, l’architecture dense de 128 milliards de paramètres et les modes configurables de raisonnement hybride de Medium 3.5 ne doivent pas lui être attribués. La page 3.1 ne donne ni nombre de paramètres ni longueur maximale distincte de réponse que l’on pourrait remplacer sans risque par ceux du modèle ultérieur.\n\nSortie structurée et fonctions\n\nLe concepteur répertorie les sorties structurées, les appels de fonctions et les sorties prédites. Pour une extraction structurée, définissez les champs requis, les types attendus et le traitement des informations absentes. Un enregistrement peut contenir l’identifiant du document, l’énoncé extrait, son emplacement source et la question restante. Demandez uniquement l’enregistrement si un programme doit l’analyser, ou gardez une explication séparée si une personne doit examiner l’interprétation.\n\nLa documentation commune de Mistral distingue le mode JSON d’un schéma personnalisé. Le mode JSON requiert une instruction explicite sur le format souhaité ; la voie personnalisée définit une structure plus précise. Il s’agit du formatage du résultat textuel, pas d’une nouvelle modalité ou d’une action externe.\n\nPour les fonctions, l’application définit l’opération et les arguments disponibles, le modèle choisit un appel approprié et prépare les valeurs, puis l’application l’exécute. Le résultat devient une information pour la réponse suivante. Un assistant documentaire peut rechercher des données de référence manquantes uniquement si l’application fournit cette recherche et renvoie son résultat réel. Associez l’appel proposé aux données renvoyées.\n\nModifications prédites et préfixes de réponse\n\nLes sorties prédites sont utiles lorsque l’essentiel du résultat souhaité est connu, comme un document ou un fichier de code nécessitant une modification limitée. Fournissez le contenu existant et décrivez précisément le changement, y compris ce qui doit rester inchangé. Une requête peut mettre à jour la terminologie d’une section ou remplacer un détail d’implémentation en préservant le reste. La prédiction contient le contenu de sortie attendu plutôt qu’une modification déjà appliquée à un fichier.\n\nLa page répertorie aussi la continuation par préfixe. Dans la documentation de dialogue, un préfixe fournit un début connu de réponse de l’assistant, après lequel la génération continue. Un début connu et un corps prédit résolvent des problèmes de préparation différents. Les lots et les interfaces d’agents ou de conversations sont aussi des fonctions de processus, pas des éditions distinctes d’image, d’audio ou de raisonnement de Medium 3.1.\n\nQuestions documentaires et visuelles\n\nLe processus documentaire répertorié associe texte, structure et mise en forme préparés par OCR à l’analyse linguistique. Posez une question sur la condition, le passage ou la relation précise nécessaire. Une comparaison peut identifier les documents et demander les énoncés communs, conflits et détails non résolus, en conservant l’emplacement source près de chaque constat.\n\nLe guide de vision du concepteur inclut explicitement Medium 3.1. Une question visuelle directe peut fournir un graphique lisible, une image documentaire ou une capture et demander quels éléments visibles étayent une conclusion. Préservez axes, unités, libellés et contexte autour d’un champ recadré. Pour plusieurs images, identifiez leur ordre et leur rôle plutôt que de laisser deviner l’original, la révision ou la référence.\n\nPar exemple, associez une exigence écrite de processus à une capture et demandez un tableau des correspondances visibles, différences et questions nécessitant davantage d’informations. Une autre tâche peut fournir deux versions d’un document et demander un passage révisé préservant les conditions communes tout en résolvant une incohérence nommée. Ce sont des usages proposés des capacités documentées de vision, de documents et de révision, avec un résultat défini à l’avance.\n\nPréparer le livrable final\n\nDonnez un rôle clair à l’assistant, les sources à utiliser et la forme de réponse. Distinguez les règles durables de réponse du document examiné et précisez la langue finale et la terminologie. Une réponse utile peut séparer un fait extrait, sa source et une interprétation, pour faciliter l’examen par rapport à une synthèse fusionnée.\n\nLe résultat documenté reste du texte. Les outils externes, modifications de fichiers et traitements documentaires supplémentaires relèvent de l’application connectée. Préservez l’édition Medium 3.1 et son contexte de 128 k tokens et demandez l’explication, l’enregistrement structuré ou la révision ciblée réellement nécessaire à la suite.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b5f13f8c5e49ba15b369fe51daff88c80cfb1484148d5c0158e16dbb3db4bcfe", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "mistralai/mistral-medium-3.1:batchMistral Medium 3.1 est un modèle acceptant texte et images pour les réponses conversationnelles, les questions documentaires et l’extraction structurée. Son contexte annoncé de 128 k tokens et ses fonctions répertoriées d’appels de fonctions, de sorties prédites et de préfixes accompagnent les explications fondées sur des sources et les révisions ciblées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Medium 3.1 est une édition multimodale de Mistral AI pour la compréhension textuelle et visuelle. Le concepteur présente cette révision comme une amélioration du ton et des performances dans la gamme Medium 3. Elle accepte texte et images et produit du texte : explication, réponse documentaire, enregistrement structuré ou proposition d’appel de fonction. L’identifiant fixe de cette édition est mistral-medium-2508.
Contexte et édition précise
La page documente une fenêtre de contexte de 128 k tokens. Utilisez-la pour réunir passages sources liés, éléments visuels, conversation et tâche de l’utilisateur. Identifiez le rôle des documents et la question avant de fournir un grand ensemble. Un contexte long peut soutenir une comparaison ciblée tandis que le livrable final reste un tableau court ou une section révisée.
Medium 3.1 conserve ses spécifications propres. Le contexte de 256 k tokens, l’architecture dense de 128 milliards de paramètres et les modes configurables de raisonnement hybride de Medium 3.5 ne doivent pas lui être attribués. La page 3.1 ne donne ni nombre de paramètres ni longueur maximale distincte de réponse que l’on pourrait remplacer sans risque par ceux du modèle ultérieur.
Sortie structurée et fonctions
Le concepteur répertorie les sorties structurées, les appels de fonctions et les sorties prédites. Pour une extraction structurée, définissez les champs requis, les types attendus et le traitement des informations absentes. Un enregistrement peut contenir l’identifiant du document, l’énoncé extrait, son emplacement source et la question restante. Demandez uniquement l’enregistrement si un programme doit l’analyser, ou gardez une explication séparée si une personne doit examiner l’interprétation.
La documentation commune de Mistral distingue le mode JSON d’un schéma personnalisé. Le mode JSON requiert une instruction explicite sur le format souhaité ; la voie personnalisée définit une structure plus précise. Il s’agit du formatage du résultat textuel, pas d’une nouvelle modalité ou d’une action externe.
Pour les fonctions, l’application définit l’opération et les arguments disponibles, le modèle choisit un appel approprié et prépare les valeurs, puis l’application l’exécute. Le résultat devient une information pour la réponse suivante. Un assistant documentaire peut rechercher des données de référence manquantes uniquement si l’application fournit cette recherche et renvoie son résultat réel. Associez l’appel proposé aux données renvoyées.
Modifications prédites et préfixes de réponse
Les sorties prédites sont utiles lorsque l’essentiel du résultat souhaité est connu, comme un document ou un fichier de code nécessitant une modification limitée. Fournissez le contenu existant et décrivez précisément le changement, y compris ce qui doit rester inchangé. Une requête peut mettre à jour la terminologie d’une section ou remplacer un détail d’implémentation en préservant le reste. La prédiction contient le contenu de sortie attendu plutôt qu’une modification déjà appliquée à un fichier.
La page répertorie aussi la continuation par préfixe. Dans la documentation de dialogue, un préfixe fournit un début connu de réponse de l’assistant, après lequel la génération continue. Un début connu et un corps prédit résolvent des problèmes de préparation différents. Les lots et les interfaces d’agents ou de conversations sont aussi des fonctions de processus, pas des éditions distinctes d’image, d’audio ou de raisonnement de Medium 3.1.
Questions documentaires et visuelles
Le processus documentaire répertorié associe texte, structure et mise en forme préparés par OCR à l’analyse linguistique. Posez une question sur la condition, le passage ou la relation précise nécessaire. Une comparaison peut identifier les documents et demander les énoncés communs, conflits et détails non résolus, en conservant l’emplacement source près de chaque constat.
Le guide de vision du concepteur inclut explicitement Medium 3.1. Une question visuelle directe peut fournir un graphique lisible, une image documentaire ou une capture et demander quels éléments visibles étayent une conclusion. Préservez axes, unités, libellés et contexte autour d’un champ recadré. Pour plusieurs images, identifiez leur ordre et leur rôle plutôt que de laisser deviner l’original, la révision ou la référence.
Par exemple, associez une exigence écrite de processus à une capture et demandez un tableau des correspondances visibles, différences et questions nécessitant davantage d’informations. Une autre tâche peut fournir deux versions d’un document et demander un passage révisé préservant les conditions communes tout en résolvant une incohérence nommée. Ce sont des usages proposés des capacités documentées de vision, de documents et de révision, avec un résultat défini à l’avance.
Préparer le livrable final
Donnez un rôle clair à l’assistant, les sources à utiliser et la forme de réponse. Distinguez les règles durables de réponse du document examiné et précisez la langue finale et la terminologie. Une réponse utile peut séparer un fait extrait, sa source et une interprétation, pour faciliter l’examen par rapport à une synthèse fusionnée.
Le résultat documenté reste du texte. Les outils externes, modifications de fichiers et traitements documentaires supplémentaires relèvent de l’application connectée. Préservez l’édition Medium 3.1 et son contexte de 128 k tokens et demandez l’explication, l’enregistrement structuré ou la révision ciblée réellement nécessaire à la suite.
POST /v1/batchestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champendpoint | Typestring | ExigenceObligatoire | Valeurs et limites /v1/chat/completions | Par défaut— |
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-medium-3.1:batch | Par défaut— |
Champrequests | Typebatch_item[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champrequests[].custom_id | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champrequests[].body.messages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champcompletion_window | Typestring | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— |
Champprovider | Typeobject|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champrequests[].body.model | Typestring | ExigenceFacultatif | Valeurs et limites mistralai/mistral-medium-3.1:batch, mistralai/mistral-medium-3.1 | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites mistral | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.002 / 1K tokens Entrée · Lecture du cache $0.00004 / 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.002 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-medium-3.1:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/mistral-medium-3.1:batch', 'mistralai/mistral-medium-3.1']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3.1:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON results[].response.body intégré
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRéglez les conditions d’admission avant une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne substituez pas d’autres prix. |
Réponse503 · api_error | ConditionRoute exacte du fournisseur indisponible. | Étape suivanteConservez la réponse pour réparer la route. |
Réponse503 · result_pending_check | ConditionLe résultat d’origine nécessite une vérification ; X-Should-Retry:false. | Étape suivanteConservez l’operation_id/id d’origine et consultez son statut ; ne répétez jamais le POST d’origine. |
Réponse404 · not_found | ConditionOpération de suivi du traitement par lots absente ou appartenant à une autre identité. | Étape suivanteUtilisez l’id exact d’origine avec le même utilisateur, la même clé et le même groupe. |
Ailoot Ultra mistralai/mistral-medium-3.1:batch
Utilisez les chemins de méthode indiqués ci-dessus.