Mistral Small 4 réunit suivi général d’instructions, raisonnement et programmation dans un modèle multimodal unique. Le concepteur le présente comme une unification des familles Instruct, Magistral pour le raisonnement et Devstral pour le code. Il accepte texte et images et renvoie du texte, avec appels de fonctions et sortie JSON pour les applications utilisant des outils.
Architecture et fonctions principales
La version compte 119 milliards de paramètres au total et en active 6,5 milliards par token. Son architecture à mélange d’experts contient 128 experts, dont 4 actifs, et le concepteur documente une fenêtre de contexte de 256 k tokens. Les paramètres actifs et le nombre d’experts décrivent l’organisation du modèle ; ils sont distincts de la quantité de texte ou d’images d’une tâche.
Le même point de contrôle fournit les fonctions d’instruction et de raisonnement. Le concepteur indique aussi la vision, le respect des prompts système et des 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. Une instruction textuelle peut donc interroger une image ou réunir une exigence écrite et des éléments visibles, avec une réponse textuelle.
Une tâche visuelle peut fournir une page de document et demander les valeurs pertinentes pour une condition donnée. Gardez les libellés et unités lisibles et précisez s’il faut conserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer capture d’écran et objectif de l’utilisateur, puis demander la commande visible pertinente et les éléments étayant la prochaine étape proposée.
Choisir le mode d’instruction ou de raisonnement
La fiche documente l’effort none pour une réponse immédiate suivant les instructions et high pour le raisonnement, recommandé pour les prompts complexes. Le choix s’effectue par requête dans le même modèle Small 4. Une classification ordinaire ou une courte réécriture peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou de code nécessitant une explication développée.
Le concepteur recommande une température de 0,7 pour un effort élevé. Pour none, il précise des températures entre 0,0 et 0,7 selon la tâche. Ces réglages décrivent les modes documentés et ne transforment pas l’effort de raisonnement en garantie de justesse. Définissez hypothèses, forme de sortie et sources pertinentes avant de choisir la quantité de raisonnement nécessaire.
Pour un problème détaillé, fournissez l’énoncé complet et demandez les étapes importantes justifiées puis l’expression finale. Pour du code, fournissez l’exigence, la fonction concernée et une entrée concrète ; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations du concepteur comprennent le suivi d’instructions, un outil de calcul appliqué à une image et le raisonnement visuel, illustrant les différentes façons d’intégrer texte et éléments visuels.
Code, documents et outils
Le modèle vise l’exploration de bases de code et les agents d’ingénierie logicielle, les assistants généraux, la compréhension documentaire et la recherche. Une demande à un agent de code peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez les sources et les éléments d’échec pertinents. Le modèle propose la prochaine opération ou une modification ; l’application fournit l’accès au dépôt, l’exécution et le retour d’information.
Pour l’extraction documentaire, identifiez les champs requis et la représentation des données absentes. Un enregistrement utile peut séparer identifiant du document, énoncé source, exigence interprétée et question non résolue. La fiche du service répertorie les sorties structurées personnalisées et les questions documentaires ; ces dernières utilisent le traitement de documents et l’OCR pour préparer texte et structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR conservent leurs propres préparations d’entrée.
Les appels de fonctions nécessitent des outils clairement décrits. Le modèle sélectionne une fonction et crée ses arguments ; l’application exécute l’opération et renvoie son résultat pour la réponse suivante. La logique est la même pour une recherche, un calcul ou une opération de code. JSON organise une réponse ; un appel d’outil demande une action externe. Les deux ne sont pas des résultats interchangeables.
La fiche du service répertorie aussi sorties prédites, préfixes de réponse, lots et conversations d’agents. Les sorties prédites conviennent à la régénération d’un document ou fichier de code avec une modification limitée lorsque le reste est connu. Précisez la modification et le contenu à préserver. La continuation par préfixe utilise un début connu ; les lots concernent la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.
Contexte et périmètre de l’édition
Organisez tâche écrite, éléments visuels, conversation et réponse souhaitée dans le contexte documenté de 256 k tokens. L’exemple d’usage configure 262 144 tokens de contexte ; son exemple de génération de 1 024 tokens n’est pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de réponse à substituer à la longueur choisie.
Small 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit pas hériter de l’architecture dense de 128 milliards de Medium 3.5 ni des éditions Instruct et Reasoning distinctes de Ministral 3. Le concepteur publie aussi des artefacts distincts quantifiés et de décodage spéculatif ; ce sont des artefacts de déploiement séparés, pas d’autres modalités. Préservez la version Small 4 et le mode demandé pour l’explication, l’enregistrement structuré ou le code réel.
", "aboutText": "Mistral Small 4 réunit suivi général d’instructions, raisonnement et programmation dans un modèle multimodal unique. Le concepteur le présente comme une unification des familles Instruct, Magistral pour le raisonnement et Devstral pour le code. Il accepte texte et images et renvoie du texte, avec appels de fonctions et sortie JSON pour les applications utilisant des outils.\n\nArchitecture et fonctions principales\n\nLa version compte 119 milliards de paramètres au total et en active 6,5 milliards par token. Son architecture à mélange d’experts contient 128 experts, dont 4 actifs, et le concepteur documente une fenêtre de contexte de 256 k tokens. Les paramètres actifs et le nombre d’experts décrivent l’organisation du modèle ; ils sont distincts de la quantité de texte ou d’images d’une tâche.\n\nLe même point de contrôle fournit les fonctions d’instruction et de raisonnement. Le concepteur indique aussi la vision, le respect des prompts système et des 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. Une instruction textuelle peut donc interroger une image ou réunir une exigence écrite et des éléments visibles, avec une réponse textuelle.\n\nUne tâche visuelle peut fournir une page de document et demander les valeurs pertinentes pour une condition donnée. Gardez les libellés et unités lisibles et précisez s’il faut conserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer capture d’écran et objectif de l’utilisateur, puis demander la commande visible pertinente et les éléments étayant la prochaine étape proposée.\n\nChoisir le mode d’instruction ou de raisonnement\n\nLa fiche documente l’effort none pour une réponse immédiate suivant les instructions et high pour le raisonnement, recommandé pour les prompts complexes. Le choix s’effectue par requête dans le même modèle Small 4. Une classification ordinaire ou une courte réécriture peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou de code nécessitant une explication développée.\n\nLe concepteur recommande une température de 0,7 pour un effort élevé. Pour none, il précise des températures entre 0,0 et 0,7 selon la tâche. Ces réglages décrivent les modes documentés et ne transforment pas l’effort de raisonnement en garantie de justesse. Définissez hypothèses, forme de sortie et sources pertinentes avant de choisir la quantité de raisonnement nécessaire.\n\nPour un problème détaillé, fournissez l’énoncé complet et demandez les étapes importantes justifiées puis l’expression finale. Pour du code, fournissez l’exigence, la fonction concernée et une entrée concrète ; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations du concepteur comprennent le suivi d’instructions, un outil de calcul appliqué à une image et le raisonnement visuel, illustrant les différentes façons d’intégrer texte et éléments visuels.\n\nCode, documents et outils\n\nLe modèle vise l’exploration de bases de code et les agents d’ingénierie logicielle, les assistants généraux, la compréhension documentaire et la recherche. Une demande à un agent de code peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez les sources et les éléments d’échec pertinents. Le modèle propose la prochaine opération ou une modification ; l’application fournit l’accès au dépôt, l’exécution et le retour d’information.\n\nPour l’extraction documentaire, identifiez les champs requis et la représentation des données absentes. Un enregistrement utile peut séparer identifiant du document, énoncé source, exigence interprétée et question non résolue. La fiche du service répertorie les sorties structurées personnalisées et les questions documentaires ; ces dernières utilisent le traitement de documents et l’OCR pour préparer texte et structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR conservent leurs propres préparations d’entrée.\n\nLes appels de fonctions nécessitent des outils clairement décrits. Le modèle sélectionne une fonction et crée ses arguments ; l’application exécute l’opération et renvoie son résultat pour la réponse suivante. La logique est la même pour une recherche, un calcul ou une opération de code. JSON organise une réponse ; un appel d’outil demande une action externe. Les deux ne sont pas des résultats interchangeables.\n\nLa fiche du service répertorie aussi sorties prédites, préfixes de réponse, lots et conversations d’agents. Les sorties prédites conviennent à la régénération d’un document ou fichier de code avec une modification limitée lorsque le reste est connu. Précisez la modification et le contenu à préserver. La continuation par préfixe utilise un début connu ; les lots concernent la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.\n\nContexte et périmètre de l’édition\n\nOrganisez tâche écrite, éléments visuels, conversation et réponse souhaitée dans le contexte documenté de 256 k tokens. L’exemple d’usage configure 262 144 tokens de contexte ; son exemple de génération de 1 024 tokens n’est pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de réponse à substituer à la longueur choisie.\n\nSmall 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit pas hériter de l’architecture dense de 128 milliards de Medium 3.5 ni des éditions Instruct et Reasoning distinctes de Ministral 3. Le concepteur publie aussi des artefacts distincts quantifiés et de décodage spéculatif ; ce sont des artefacts de déploiement séparés, pas d’autres modalités. Préservez la version Small 4 et le mode demandé pour l’explication, l’enregistrement structuré ou le code réel.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a8244bb39d8d5851fabb9a6e7149e85bd07116fff0ede8ad4bf03f894b076a67", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "mistralai/mistral-small-2603:batchMistral Small 4 est un modèle hybride acceptant texte et images, avec des capacités d’instruction, de raisonnement et de programmation. Sa version à mélange d’experts de 119 milliards de paramètres en active 6,5 milliards par token et offre un contexte annoncé de 256 k tokens, un effort de raisonnement sélectionnable, JSON et des appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 4 réunit suivi général d’instructions, raisonnement et programmation dans un modèle multimodal unique. Le concepteur le présente comme une unification des familles Instruct, Magistral pour le raisonnement et Devstral pour le code. Il accepte texte et images et renvoie du texte, avec appels de fonctions et sortie JSON pour les applications utilisant des outils.
Architecture et fonctions principales
La version compte 119 milliards de paramètres au total et en active 6,5 milliards par token. Son architecture à mélange d’experts contient 128 experts, dont 4 actifs, et le concepteur documente une fenêtre de contexte de 256 k tokens. Les paramètres actifs et le nombre d’experts décrivent l’organisation du modèle ; ils sont distincts de la quantité de texte ou d’images d’une tâche.
Le même point de contrôle fournit les fonctions d’instruction et de raisonnement. Le concepteur indique aussi la vision, le respect des prompts système et des 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. Une instruction textuelle peut donc interroger une image ou réunir une exigence écrite et des éléments visibles, avec une réponse textuelle.
Une tâche visuelle peut fournir une page de document et demander les valeurs pertinentes pour une condition donnée. Gardez les libellés et unités lisibles et précisez s’il faut conserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer capture d’écran et objectif de l’utilisateur, puis demander la commande visible pertinente et les éléments étayant la prochaine étape proposée.
Choisir le mode d’instruction ou de raisonnement
La fiche documente l’effort none pour une réponse immédiate suivant les instructions et high pour le raisonnement, recommandé pour les prompts complexes. Le choix s’effectue par requête dans le même modèle Small 4. Une classification ordinaire ou une courte réécriture peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou de code nécessitant une explication développée.
Le concepteur recommande une température de 0,7 pour un effort élevé. Pour none, il précise des températures entre 0,0 et 0,7 selon la tâche. Ces réglages décrivent les modes documentés et ne transforment pas l’effort de raisonnement en garantie de justesse. Définissez hypothèses, forme de sortie et sources pertinentes avant de choisir la quantité de raisonnement nécessaire.
Pour un problème détaillé, fournissez l’énoncé complet et demandez les étapes importantes justifiées puis l’expression finale. Pour du code, fournissez l’exigence, la fonction concernée et une entrée concrète ; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations du concepteur comprennent le suivi d’instructions, un outil de calcul appliqué à une image et le raisonnement visuel, illustrant les différentes façons d’intégrer texte et éléments visuels.
Code, documents et outils
Le modèle vise l’exploration de bases de code et les agents d’ingénierie logicielle, les assistants généraux, la compréhension documentaire et la recherche. Une demande à un agent de code peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez les sources et les éléments d’échec pertinents. Le modèle propose la prochaine opération ou une modification ; l’application fournit l’accès au dépôt, l’exécution et le retour d’information.
Pour l’extraction documentaire, identifiez les champs requis et la représentation des données absentes. Un enregistrement utile peut séparer identifiant du document, énoncé source, exigence interprétée et question non résolue. La fiche du service répertorie les sorties structurées personnalisées et les questions documentaires ; ces dernières utilisent le traitement de documents et l’OCR pour préparer texte et structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR conservent leurs propres préparations d’entrée.
Les appels de fonctions nécessitent des outils clairement décrits. Le modèle sélectionne une fonction et crée ses arguments ; l’application exécute l’opération et renvoie son résultat pour la réponse suivante. La logique est la même pour une recherche, un calcul ou une opération de code. JSON organise une réponse ; un appel d’outil demande une action externe. Les deux ne sont pas des résultats interchangeables.
La fiche du service répertorie aussi sorties prédites, préfixes de réponse, lots et conversations d’agents. Les sorties prédites conviennent à la régénération d’un document ou fichier de code avec une modification limitée lorsque le reste est connu. Précisez la modification et le contenu à préserver. La continuation par préfixe utilise un début connu ; les lots concernent la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.
Contexte et périmètre de l’édition
Organisez tâche écrite, éléments visuels, conversation et réponse souhaitée dans le contexte documenté de 256 k tokens. L’exemple d’usage configure 262 144 tokens de contexte ; son exemple de génération de 1 024 tokens n’est pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de réponse à substituer à la longueur choisie.
Small 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit pas hériter de l’architecture dense de 128 milliards de Medium 3.5 ni des éditions Instruct et Reasoning distinctes de Ministral 3. Le concepteur publie aussi des artefacts distincts quantifiés et de décodage spéculatif ; ce sont des artefacts de déploiement séparés, pas d’autres modalités. Préservez la version Small 4 et le mode demandé pour l’explication, l’enregistrement structuré ou le code réel.
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-small-2603: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-small-2603:batch, mistralai/mistral-small-2603 | 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 $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.000015 / 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 $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.000015 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-small-2603: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-small-2603:batch', 'mistralai/mistral-small-2603']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-small-2603: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-small-2603:batch
Utilisez les chemins de méthode indiqués ci-dessus.