Mistral Medium 3.5 est le modèle dense de 128 milliards de paramètres de Mistral AI qui réunit suivi d’instructions, raisonnement et programmation dans un seul ensemble de poids. Il reçoit du texte et des images et renvoie du texte. Son concepteur le destine aux agents et à la programmation ; le même point de contrôle peut fournir une réponse conversationnelle directe ou utiliser son mode de raisonnement documenté pour une tâche plus complexe.
Modèle unifié et capacités visuelles
La fiche publiée précise 128 milliards de paramètres denses et une fenêtre de contexte de 256 k tokens. Son encodeur visuel est entraîné pour des images de dimensions et de proportions variées. Les images peuvent apporter des éléments à une tâche de code ou de document : capture d’une interface, schéma accompagnant une exigence ou page contenant des informations à interpréter. Le résultat peut être une explication écrite, du code ou des champs structurés, plutôt qu’une image générée.
Le concepteur décrit une prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne le respect du prompt système et les appels de fonctions natifs avec sortie JSON. Définissez le public, la langue et les règles de réponse séparément du contenu examiné afin que la formulation d’un document source reste un élément à analyser.
Réglages de raisonnement
La fiche documente deux valeurs d’effort de raisonnement par requête. La valeur none fournit une réponse suivant les instructions sans mode de raisonnement ; high active le raisonnement et est recommandée pour les prompts complexes et la programmation avec des agents. Il s’agit d’un choix de mode dans le même point de contrôle Medium 3.5, et non d’une identité de modèle différente.
Pour un effort de raisonnement élevé, le concepteur recommande une température de 0,7 et top-p à 0.95. Pour none, il documente des températures entre 0,0 et 0,7 selon la tâche et laisse top-p non défini ou à 1.0. Ce sont les recommandations de cette version. Choisissez d’abord l’objectif de sortie : extraction concise de champs, modification de code expliquée ou comparaison nécessitant plusieurs décisions justifiées.
Une tâche pratique de raisonnement peut fournir une exigence, l’implémentation et l’entrée révélant un écart. Demandez au modèle d’identifier le chemin pertinent, d’expliquer l’écart et de proposer la plus petite modification préservant l’interface publique. Demandez le code révisé séparément des hypothèses et exemples. Le modèle génère une proposition ; sa compilation, son exécution et son application nécessitent l’environnement de développement connecté à l’agent.
Outils, documents et modifications prévisibles
La fiche du service répertorie aussi les sorties structurées, les sorties prédites, les questions sur documents, les préfixes de réponse, les lots et les conversations d’agents. Pour une extraction, définissez les noms de champs, leurs types et le traitement des valeurs manquantes. Le mode JSON fournit une représentation structurée ; un schéma personnalisé définit une forme plus précise dans l’interface connectée. Demandez uniquement l’enregistrement si un programme doit l’analyser, et une explication séparée si une personne doit examiner l’interprétation.
Les questions sur documents associent le texte et la structure préparés par OCR à la compréhension linguistique. Pour une comparaison, identifiez les documents et la condition à évaluer, puis demandez chaque constat avec son emplacement source. Une sortie utile peut distinguer exigences communes, désaccords et questions ouvertes. Les questions directes sur image peuvent cibler un libellé de graphique ou un élément d’interface ; préserver titres, unités et rôles des images aide à relier la réponse au contenu fourni.
Les sorties prédites sont documentées pour les tâches dont une grande partie de la réponse souhaitée est déjà connue, comme la régénération d’un fichier de code ou d’un document avec des modifications limitées. Fournissez le contenu existant et identifiez la modification précise en préservant les parties à conserver. Cette approche diffère de la création d’un livrable entièrement nouveau ou d’une continuation depuis un préfixe connu. Les fonctions du service décrivent des options de soumission et de formatage ; elles ne modifient pas les entrées textuelles et visuelles ni la sortie textuelle du modèle.
Dans un processus utilisant des outils, l’application fournit les descriptions de fonctions et les paramètres ; le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute et renvoie le résultat. Un outil de calcul peut recevoir des valeurs lues dans une image fournie ; un outil de recherche peut apporter les informations manquantes pour la réponse suivante. Associez le résultat à l’opération qui l’a produit. Le raisonnement d’un agent repose sur cet environnement, et non sur une génération de texte qui effectuerait seule des actions externes.
Préparer les sessions longues
Utilisez les 256 k tokens de contexte pour le code source, les documents et l’historique de conversation liés, et gardez l’objectif réel explicite. Une session de programmation peut conserver le module, son appelant et les exigences tout en demandant une modification définie. Une session documentaire peut réunir les sections pertinentes et renvoyer un tableau court ou un passage révisé. La capacité de contexte ne définit pas une longueur maximale de réponse distincte ; l’exemple de génération de 1 024 tokens de la fiche est une illustration, pas cette limite.
Le concepteur signale qu’une ancienne configuration publiée contenait une erreur de contexte long désormais corrigée, également pertinente pour les points de contrôle dérivés. Conservez la configuration corrigée lorsque vous utilisez les poids pour de longues sessions. Les modes hybrides et l’architecture de 128 milliards de paramètres de Medium 3.5 ne doivent pas être attribués à Medium 3.1 ou à un point de contrôle « draft-head » portant un nom distinct au seul motif qu’ils appartiennent à la même famille.
", "aboutText": "Mistral Medium 3.5 est le modèle dense de 128 milliards de paramètres de Mistral AI qui réunit suivi d’instructions, raisonnement et programmation dans un seul ensemble de poids. Il reçoit du texte et des images et renvoie du texte. Son concepteur le destine aux agents et à la programmation ; le même point de contrôle peut fournir une réponse conversationnelle directe ou utiliser son mode de raisonnement documenté pour une tâche plus complexe.\n\nModèle unifié et capacités visuelles\n\nLa fiche publiée précise 128 milliards de paramètres denses et une fenêtre de contexte de 256 k tokens. Son encodeur visuel est entraîné pour des images de dimensions et de proportions variées. Les images peuvent apporter des éléments à une tâche de code ou de document : capture d’une interface, schéma accompagnant une exigence ou page contenant des informations à interpréter. Le résultat peut être une explication écrite, du code ou des champs structurés, plutôt qu’une image générée.\n\nLe concepteur décrit une prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne le respect du prompt système et les appels de fonctions natifs avec sortie JSON. Définissez le public, la langue et les règles de réponse séparément du contenu examiné afin que la formulation d’un document source reste un élément à analyser.\n\nRéglages de raisonnement\n\nLa fiche documente deux valeurs d’effort de raisonnement par requête. La valeur none fournit une réponse suivant les instructions sans mode de raisonnement ; high active le raisonnement et est recommandée pour les prompts complexes et la programmation avec des agents. Il s’agit d’un choix de mode dans le même point de contrôle Medium 3.5, et non d’une identité de modèle différente.\n\nPour un effort de raisonnement élevé, le concepteur recommande une température de 0,7 et top-p à 0.95. Pour none, il documente des températures entre 0,0 et 0,7 selon la tâche et laisse top-p non défini ou à 1.0. Ce sont les recommandations de cette version. Choisissez d’abord l’objectif de sortie : extraction concise de champs, modification de code expliquée ou comparaison nécessitant plusieurs décisions justifiées.\n\nUne tâche pratique de raisonnement peut fournir une exigence, l’implémentation et l’entrée révélant un écart. Demandez au modèle d’identifier le chemin pertinent, d’expliquer l’écart et de proposer la plus petite modification préservant l’interface publique. Demandez le code révisé séparément des hypothèses et exemples. Le modèle génère une proposition ; sa compilation, son exécution et son application nécessitent l’environnement de développement connecté à l’agent.\n\nOutils, documents et modifications prévisibles\n\nLa fiche du service répertorie aussi les sorties structurées, les sorties prédites, les questions sur documents, les préfixes de réponse, les lots et les conversations d’agents. Pour une extraction, définissez les noms de champs, leurs types et le traitement des valeurs manquantes. Le mode JSON fournit une représentation structurée ; un schéma personnalisé définit une forme plus précise dans l’interface connectée. Demandez uniquement l’enregistrement si un programme doit l’analyser, et une explication séparée si une personne doit examiner l’interprétation.\n\nLes questions sur documents associent le texte et la structure préparés par OCR à la compréhension linguistique. Pour une comparaison, identifiez les documents et la condition à évaluer, puis demandez chaque constat avec son emplacement source. Une sortie utile peut distinguer exigences communes, désaccords et questions ouvertes. Les questions directes sur image peuvent cibler un libellé de graphique ou un élément d’interface ; préserver titres, unités et rôles des images aide à relier la réponse au contenu fourni.\n\nLes sorties prédites sont documentées pour les tâches dont une grande partie de la réponse souhaitée est déjà connue, comme la régénération d’un fichier de code ou d’un document avec des modifications limitées. Fournissez le contenu existant et identifiez la modification précise en préservant les parties à conserver. Cette approche diffère de la création d’un livrable entièrement nouveau ou d’une continuation depuis un préfixe connu. Les fonctions du service décrivent des options de soumission et de formatage ; elles ne modifient pas les entrées textuelles et visuelles ni la sortie textuelle du modèle.\n\nDans un processus utilisant des outils, l’application fournit les descriptions de fonctions et les paramètres ; le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute et renvoie le résultat. Un outil de calcul peut recevoir des valeurs lues dans une image fournie ; un outil de recherche peut apporter les informations manquantes pour la réponse suivante. Associez le résultat à l’opération qui l’a produit. Le raisonnement d’un agent repose sur cet environnement, et non sur une génération de texte qui effectuerait seule des actions externes.\n\nPréparer les sessions longues\n\nUtilisez les 256 k tokens de contexte pour le code source, les documents et l’historique de conversation liés, et gardez l’objectif réel explicite. Une session de programmation peut conserver le module, son appelant et les exigences tout en demandant une modification définie. Une session documentaire peut réunir les sections pertinentes et renvoyer un tableau court ou un passage révisé. La capacité de contexte ne définit pas une longueur maximale de réponse distincte ; l’exemple de génération de 1 024 tokens de la fiche est une illustration, pas cette limite.\n\nLe concepteur signale qu’une ancienne configuration publiée contenait une erreur de contexte long désormais corrigée, également pertinente pour les points de contrôle dérivés. Conservez la configuration corrigée lorsque vous utilisez les poids pour de longues sessions. Les modes hybrides et l’architecture de 128 milliards de paramètres de Medium 3.5 ne doivent pas être attribués à Medium 3.1 ou à un point de contrôle « draft-head » portant un nom distinct au seul motif qu’ils appartiennent à la même famille.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "71cfc7f1e4edfb0768bb3a3362a79d6d9e53d169d0d958f13dfa01039b6f736d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "mistralai/mistral-medium-3-5:batchMistral Medium 3.5 réunit suivi d’instructions, raisonnement et programmation dans un modèle dense de 128 milliards de paramètres acceptant texte et images. Il offre un contexte annoncé de 256 k tokens, des réglages de raisonnement par requête, des appels de fonctions natifs et des sorties structurées pour les documents et les agents.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Medium 3.5 est le modèle dense de 128 milliards de paramètres de Mistral AI qui réunit suivi d’instructions, raisonnement et programmation dans un seul ensemble de poids. Il reçoit du texte et des images et renvoie du texte. Son concepteur le destine aux agents et à la programmation ; le même point de contrôle peut fournir une réponse conversationnelle directe ou utiliser son mode de raisonnement documenté pour une tâche plus complexe.
Modèle unifié et capacités visuelles
La fiche publiée précise 128 milliards de paramètres denses et une fenêtre de contexte de 256 k tokens. Son encodeur visuel est entraîné pour des images de dimensions et de proportions variées. Les images peuvent apporter des éléments à une tâche de code ou de document : capture d’une interface, schéma accompagnant une exigence ou page contenant des informations à interpréter. Le résultat peut être une explication écrite, du code ou des champs structurés, plutôt qu’une image générée.
Le concepteur décrit une prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne le respect du prompt système et les appels de fonctions natifs avec sortie JSON. Définissez le public, la langue et les règles de réponse séparément du contenu examiné afin que la formulation d’un document source reste un élément à analyser.
Réglages de raisonnement
La fiche documente deux valeurs d’effort de raisonnement par requête. La valeur none fournit une réponse suivant les instructions sans mode de raisonnement ; high active le raisonnement et est recommandée pour les prompts complexes et la programmation avec des agents. Il s’agit d’un choix de mode dans le même point de contrôle Medium 3.5, et non d’une identité de modèle différente.
Pour un effort de raisonnement élevé, le concepteur recommande une température de 0,7 et top-p à 0.95. Pour none, il documente des températures entre 0,0 et 0,7 selon la tâche et laisse top-p non défini ou à 1.0. Ce sont les recommandations de cette version. Choisissez d’abord l’objectif de sortie : extraction concise de champs, modification de code expliquée ou comparaison nécessitant plusieurs décisions justifiées.
Une tâche pratique de raisonnement peut fournir une exigence, l’implémentation et l’entrée révélant un écart. Demandez au modèle d’identifier le chemin pertinent, d’expliquer l’écart et de proposer la plus petite modification préservant l’interface publique. Demandez le code révisé séparément des hypothèses et exemples. Le modèle génère une proposition ; sa compilation, son exécution et son application nécessitent l’environnement de développement connecté à l’agent.
Outils, documents et modifications prévisibles
La fiche du service répertorie aussi les sorties structurées, les sorties prédites, les questions sur documents, les préfixes de réponse, les lots et les conversations d’agents. Pour une extraction, définissez les noms de champs, leurs types et le traitement des valeurs manquantes. Le mode JSON fournit une représentation structurée ; un schéma personnalisé définit une forme plus précise dans l’interface connectée. Demandez uniquement l’enregistrement si un programme doit l’analyser, et une explication séparée si une personne doit examiner l’interprétation.
Les questions sur documents associent le texte et la structure préparés par OCR à la compréhension linguistique. Pour une comparaison, identifiez les documents et la condition à évaluer, puis demandez chaque constat avec son emplacement source. Une sortie utile peut distinguer exigences communes, désaccords et questions ouvertes. Les questions directes sur image peuvent cibler un libellé de graphique ou un élément d’interface ; préserver titres, unités et rôles des images aide à relier la réponse au contenu fourni.
Les sorties prédites sont documentées pour les tâches dont une grande partie de la réponse souhaitée est déjà connue, comme la régénération d’un fichier de code ou d’un document avec des modifications limitées. Fournissez le contenu existant et identifiez la modification précise en préservant les parties à conserver. Cette approche diffère de la création d’un livrable entièrement nouveau ou d’une continuation depuis un préfixe connu. Les fonctions du service décrivent des options de soumission et de formatage ; elles ne modifient pas les entrées textuelles et visuelles ni la sortie textuelle du modèle.
Dans un processus utilisant des outils, l’application fournit les descriptions de fonctions et les paramètres ; le modèle choisit une fonction et prépare ses arguments ; l’application l’exécute et renvoie le résultat. Un outil de calcul peut recevoir des valeurs lues dans une image fournie ; un outil de recherche peut apporter les informations manquantes pour la réponse suivante. Associez le résultat à l’opération qui l’a produit. Le raisonnement d’un agent repose sur cet environnement, et non sur une génération de texte qui effectuerait seule des actions externes.
Préparer les sessions longues
Utilisez les 256 k tokens de contexte pour le code source, les documents et l’historique de conversation liés, et gardez l’objectif réel explicite. Une session de programmation peut conserver le module, son appelant et les exigences tout en demandant une modification définie. Une session documentaire peut réunir les sections pertinentes et renvoyer un tableau court ou un passage révisé. La capacité de contexte ne définit pas une longueur maximale de réponse distincte ; l’exemple de génération de 1 024 tokens de la fiche est une illustration, pas cette limite.
Le concepteur signale qu’une ancienne configuration publiée contenait une erreur de contexte long désormais corrigée, également pertinente pour les points de contrôle dérivés. Conservez la configuration corrigée lorsque vous utilisez les poids pour de longues sessions. Les modes hybrides et l’architecture de 128 milliards de paramètres de Medium 3.5 ne doivent pas être attribués à Medium 3.1 ou à un point de contrôle « draft-head » portant un nom distinct au seul motif qu’ils appartiennent à la même famille.
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-3-5: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-3-5:batch, mistralai/mistral-medium-3-5 | 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 $0.0015 / 1K tokens Sortie · Tokens en sortie $0.0075 / 1K tokens Entrée · Lecture du cache — / 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 $0.0015 / 1K tokens Sortie · Tokens en sortie $0.0075 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-3-5: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-3-5:batch', 'mistralai/mistral-medium-3-5']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3-5: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-3-5:batch
Utilisez les chemins de méthode indiqués ci-dessus.