Mistral Large 4 est le modèle multimodal polyvalent de Mistral AI, réunissant suivi d’instructions, raisonnement, programmation et travail agentique. Il accepte du texte et des images et produit du texte, notamment des explications, du code et des champs structurés. Son architecture granulaire à mélange d’experts utilise des composants sélectionnés pour chaque jeton plutôt que d’activer l’ensemble des paramètres à la fois.
Architecture et contexte
La page actuelle du modèle indique 1 050 milliards de paramètres au total, 52 milliards de paramètres actifs et un encodeur visuel de 1,6 milliard de paramètres. La page de publication du fabricant précise la convention de comptage : 49 milliards de paramètres actifs par jeton, ou 52 milliards en incluant les embeddings et les couches de sortie. Ces chiffres décrivent la structure du modèle, et non la longueur d’une réponse.
Le fabricant documente une fenêtre de contexte d’un million de jetons. Utilisez-la pour réunir une quantité importante de sources, la conversation et les instructions, tout en définissant l’objectif du livrable final. Pour une question portant sur plusieurs documents, identifiez chaque document et son rôle, et demandez l’emplacement source à côté de chaque constat. Un grand contexte est utile lorsque exigences, schémas et explications connexes doivent être considérés ensemble.
Réponses structurées et questions sur documents
La fiche du modèle mentionne les sorties structurées, les appels de fonctions, les questions sur documents, les préfixes de réponse, la soumission par lots et les conversations d’agents. La documentation Mistral sur les sorties structurées distingue le mode JSON d’un schéma personnalisé. Précisez le format JSON requis dans l’invite; utilisez un schéma défini lorsque l’interface connectée exige une structure de champs particulière. Un enregistrement peut séparer faits sources, interprétations et questions ouvertes plutôt que de les réunir dans un même paragraphe.
Les questions sur documents suivent un processus associant traitement documentaire et compréhension linguistique. L’OCR prépare le texte, la structure et le formatage, après quoi le modèle répond à une question sur ces éléments. Une requête peut localiser une exigence, comparer des affirmations entre documents ou résumer les éléments utiles à une décision. La compréhension directe d’images et un processus documentaire assisté par OCR constituent des manières liées de préparer les éléments de preuve; l’étape de traitement documentaire reste distincte d’une entrée image.
Par exemple, fournissez une spécification technique et des dessins, identifiez la révision étudiée et demandez une matrice d’exigences. Chaque ligne peut contenir l’exigence, le document ou dessin justificatif, la différence observée et la clarification encore nécessaire. Conservez les libellés, les unités et les zones d’image qui déterminent la comparaison, afin que le résultat reste lié aux sources.
Programmation, agents et raisonnement visuel
La version décrit l’analyse de cybersécurité, le génie logiciel, la compréhension de dépôts et les processus orientés terminal. Pour une revue de code défensive, fournissez le chemin de code pertinent, le comportement attendu et les éléments attestant l’échec. Demandez la cause, une correction proposée et des exemples distinguant l’ancien comportement du comportement voulu. Pour une question sur un dépôt, incluez les modules et les relations d’appel nécessaires à l’explication du comportement choisi.
L’appel de fonctions relie le raisonnement aux outils fournis par l’application. La séquence du fabricant définit les fonctions, fournit la question utilisateur, laisse le modèle préparer les arguments, exécute la fonction choisie dans l’application et renvoie son résultat pour la réponse suivante. Un appel proposé se distingue de son exécution. La fiche mentionne aussi des outils intégrés à l’interface d’agent ou de conversation du fabricant; ils appartiennent à ce processus connecté plutôt que d’ajouter une modalité d’entrée ou de sortie au modèle.
La compréhension visuelle couvre documents, graphiques, scènes naturelles et dessins techniques. Une tâche sur un dessin peut demander quel composant étiqueté satisfait une exigence fournie, quelle cote ou annotation étaye le constat et quelle zone doit être examinée de plus près. Les exemples d’agents visuels de la version associent interprétation et étapes d’inspection; le zoom, la recherche et les autres actions nécessitent l’environnement d’outils environnant.
Science, mathématiques et livrables professionnels
Le fabricant cite la programmation scientifique, l’analyse de données, la modélisation et le raisonnement mathématique parmi les applications prévues. Fournissez les équations, les hypothèses, les unités et la forme de résultat requise. Une demande de programmation scientifique peut solliciter une implémentation, la signification de chaque variable et un plan de comparaison de la sortie avec des conditions de référence. Produire cette implémentation est un résultat textuel; exécuter la simulation ou créer un fichier nécessite l’environnement applicatif.
Pour le travail documentaire professionnel, fournissez les rapports sources et définissez le livrable : tableau comparatif, explication, passage révisé ou contenu de feuille de calcul. Indiquez la base de calcul et conservez les emplacements des documents justificatifs. La version décrit aussi un entraînement multilingue couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne; précisez la langue de sortie et la terminologie lors de la préparation d’une tâche multilingue.
Limites utiles
Les modalités documentées sont les entrées textuelles et visuelles et la sortie textuelle. Le contexte d’un million de jetons du fabricant ne constitue pas une spécification distincte de longueur maximale de réponse, et les sources consultées n’établissent pas de limite stricte de sortie indépendante pour cette entrée. Gardez explicites l’édition exacte Large 4, les éléments préparés et les outils connectés. Un enregistrement structuré, une explication ou une action proposée est particulièrement utile lorsque ses champs, ses sources justificatives et l’étape applicative suivante sont définis avant la requête.
", "aboutText": "Mistral Large 4 est le modèle multimodal polyvalent de Mistral AI, réunissant suivi d’instructions, raisonnement, programmation et travail agentique. Il accepte du texte et des images et produit du texte, notamment des explications, du code et des champs structurés. Son architecture granulaire à mélange d’experts utilise des composants sélectionnés pour chaque jeton plutôt que d’activer l’ensemble des paramètres à la fois.\n\nArchitecture et contexte\n\nLa page actuelle du modèle indique 1 050 milliards de paramètres au total, 52 milliards de paramètres actifs et un encodeur visuel de 1,6 milliard de paramètres. La page de publication du fabricant précise la convention de comptage : 49 milliards de paramètres actifs par jeton, ou 52 milliards en incluant les embeddings et les couches de sortie. Ces chiffres décrivent la structure du modèle, et non la longueur d’une réponse.\n\nLe fabricant documente une fenêtre de contexte d’un million de jetons. Utilisez-la pour réunir une quantité importante de sources, la conversation et les instructions, tout en définissant l’objectif du livrable final. Pour une question portant sur plusieurs documents, identifiez chaque document et son rôle, et demandez l’emplacement source à côté de chaque constat. Un grand contexte est utile lorsque exigences, schémas et explications connexes doivent être considérés ensemble.\n\nRéponses structurées et questions sur documents\n\nLa fiche du modèle mentionne les sorties structurées, les appels de fonctions, les questions sur documents, les préfixes de réponse, la soumission par lots et les conversations d’agents. La documentation Mistral sur les sorties structurées distingue le mode JSON d’un schéma personnalisé. Précisez le format JSON requis dans l’invite; utilisez un schéma défini lorsque l’interface connectée exige une structure de champs particulière. Un enregistrement peut séparer faits sources, interprétations et questions ouvertes plutôt que de les réunir dans un même paragraphe.\n\nLes questions sur documents suivent un processus associant traitement documentaire et compréhension linguistique. L’OCR prépare le texte, la structure et le formatage, après quoi le modèle répond à une question sur ces éléments. Une requête peut localiser une exigence, comparer des affirmations entre documents ou résumer les éléments utiles à une décision. La compréhension directe d’images et un processus documentaire assisté par OCR constituent des manières liées de préparer les éléments de preuve; l’étape de traitement documentaire reste distincte d’une entrée image.\n\nPar exemple, fournissez une spécification technique et des dessins, identifiez la révision étudiée et demandez une matrice d’exigences. Chaque ligne peut contenir l’exigence, le document ou dessin justificatif, la différence observée et la clarification encore nécessaire. Conservez les libellés, les unités et les zones d’image qui déterminent la comparaison, afin que le résultat reste lié aux sources.\n\nProgrammation, agents et raisonnement visuel\n\nLa version décrit l’analyse de cybersécurité, le génie logiciel, la compréhension de dépôts et les processus orientés terminal. Pour une revue de code défensive, fournissez le chemin de code pertinent, le comportement attendu et les éléments attestant l’échec. Demandez la cause, une correction proposée et des exemples distinguant l’ancien comportement du comportement voulu. Pour une question sur un dépôt, incluez les modules et les relations d’appel nécessaires à l’explication du comportement choisi.\n\nL’appel de fonctions relie le raisonnement aux outils fournis par l’application. La séquence du fabricant définit les fonctions, fournit la question utilisateur, laisse le modèle préparer les arguments, exécute la fonction choisie dans l’application et renvoie son résultat pour la réponse suivante. Un appel proposé se distingue de son exécution. La fiche mentionne aussi des outils intégrés à l’interface d’agent ou de conversation du fabricant; ils appartiennent à ce processus connecté plutôt que d’ajouter une modalité d’entrée ou de sortie au modèle.\n\nLa compréhension visuelle couvre documents, graphiques, scènes naturelles et dessins techniques. Une tâche sur un dessin peut demander quel composant étiqueté satisfait une exigence fournie, quelle cote ou annotation étaye le constat et quelle zone doit être examinée de plus près. Les exemples d’agents visuels de la version associent interprétation et étapes d’inspection; le zoom, la recherche et les autres actions nécessitent l’environnement d’outils environnant.\n\nScience, mathématiques et livrables professionnels\n\nLe fabricant cite la programmation scientifique, l’analyse de données, la modélisation et le raisonnement mathématique parmi les applications prévues. Fournissez les équations, les hypothèses, les unités et la forme de résultat requise. Une demande de programmation scientifique peut solliciter une implémentation, la signification de chaque variable et un plan de comparaison de la sortie avec des conditions de référence. Produire cette implémentation est un résultat textuel; exécuter la simulation ou créer un fichier nécessite l’environnement applicatif.\n\nPour le travail documentaire professionnel, fournissez les rapports sources et définissez le livrable : tableau comparatif, explication, passage révisé ou contenu de feuille de calcul. Indiquez la base de calcul et conservez les emplacements des documents justificatifs. La version décrit aussi un entraînement multilingue couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne; précisez la langue de sortie et la terminologie lors de la préparation d’une tâche multilingue.\n\nLimites utiles\n\nLes modalités documentées sont les entrées textuelles et visuelles et la sortie textuelle. Le contexte d’un million de jetons du fabricant ne constitue pas une spécification distincte de longueur maximale de réponse, et les sources consultées n’établissent pas de limite stricte de sortie indépendante pour cette entrée. Gardez explicites l’édition exacte Large 4, les éléments préparés et les outils connectés. Un enregistrement structuré, une explication ou une action proposée est particulièrement utile lorsque ses champs, ses sources justificatives et l’étape applicative suivante sont définis avant la requête.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 est un modèle de texte et d’image pour le raisonnement, la programmation, l’analyse documentaire et les agents pilotés par des outils. Son contexte d’un million de jetons annoncé par le fabricant accueille d’importants ensembles de sources, avec des réponses structurées, les appels de fonctions et une architecture granulaire à mélange d’experts.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Large 4 est le modèle multimodal polyvalent de Mistral AI, réunissant suivi d’instructions, raisonnement, programmation et travail agentique. Il accepte du texte et des images et produit du texte, notamment des explications, du code et des champs structurés. Son architecture granulaire à mélange d’experts utilise des composants sélectionnés pour chaque jeton plutôt que d’activer l’ensemble des paramètres à la fois.
Architecture et contexte
La page actuelle du modèle indique 1 050 milliards de paramètres au total, 52 milliards de paramètres actifs et un encodeur visuel de 1,6 milliard de paramètres. La page de publication du fabricant précise la convention de comptage : 49 milliards de paramètres actifs par jeton, ou 52 milliards en incluant les embeddings et les couches de sortie. Ces chiffres décrivent la structure du modèle, et non la longueur d’une réponse.
Le fabricant documente une fenêtre de contexte d’un million de jetons. Utilisez-la pour réunir une quantité importante de sources, la conversation et les instructions, tout en définissant l’objectif du livrable final. Pour une question portant sur plusieurs documents, identifiez chaque document et son rôle, et demandez l’emplacement source à côté de chaque constat. Un grand contexte est utile lorsque exigences, schémas et explications connexes doivent être considérés ensemble.
Réponses structurées et questions sur documents
La fiche du modèle mentionne les sorties structurées, les appels de fonctions, les questions sur documents, les préfixes de réponse, la soumission par lots et les conversations d’agents. La documentation Mistral sur les sorties structurées distingue le mode JSON d’un schéma personnalisé. Précisez le format JSON requis dans l’invite; utilisez un schéma défini lorsque l’interface connectée exige une structure de champs particulière. Un enregistrement peut séparer faits sources, interprétations et questions ouvertes plutôt que de les réunir dans un même paragraphe.
Les questions sur documents suivent un processus associant traitement documentaire et compréhension linguistique. L’OCR prépare le texte, la structure et le formatage, après quoi le modèle répond à une question sur ces éléments. Une requête peut localiser une exigence, comparer des affirmations entre documents ou résumer les éléments utiles à une décision. La compréhension directe d’images et un processus documentaire assisté par OCR constituent des manières liées de préparer les éléments de preuve; l’étape de traitement documentaire reste distincte d’une entrée image.
Par exemple, fournissez une spécification technique et des dessins, identifiez la révision étudiée et demandez une matrice d’exigences. Chaque ligne peut contenir l’exigence, le document ou dessin justificatif, la différence observée et la clarification encore nécessaire. Conservez les libellés, les unités et les zones d’image qui déterminent la comparaison, afin que le résultat reste lié aux sources.
Programmation, agents et raisonnement visuel
La version décrit l’analyse de cybersécurité, le génie logiciel, la compréhension de dépôts et les processus orientés terminal. Pour une revue de code défensive, fournissez le chemin de code pertinent, le comportement attendu et les éléments attestant l’échec. Demandez la cause, une correction proposée et des exemples distinguant l’ancien comportement du comportement voulu. Pour une question sur un dépôt, incluez les modules et les relations d’appel nécessaires à l’explication du comportement choisi.
L’appel de fonctions relie le raisonnement aux outils fournis par l’application. La séquence du fabricant définit les fonctions, fournit la question utilisateur, laisse le modèle préparer les arguments, exécute la fonction choisie dans l’application et renvoie son résultat pour la réponse suivante. Un appel proposé se distingue de son exécution. La fiche mentionne aussi des outils intégrés à l’interface d’agent ou de conversation du fabricant; ils appartiennent à ce processus connecté plutôt que d’ajouter une modalité d’entrée ou de sortie au modèle.
La compréhension visuelle couvre documents, graphiques, scènes naturelles et dessins techniques. Une tâche sur un dessin peut demander quel composant étiqueté satisfait une exigence fournie, quelle cote ou annotation étaye le constat et quelle zone doit être examinée de plus près. Les exemples d’agents visuels de la version associent interprétation et étapes d’inspection; le zoom, la recherche et les autres actions nécessitent l’environnement d’outils environnant.
Science, mathématiques et livrables professionnels
Le fabricant cite la programmation scientifique, l’analyse de données, la modélisation et le raisonnement mathématique parmi les applications prévues. Fournissez les équations, les hypothèses, les unités et la forme de résultat requise. Une demande de programmation scientifique peut solliciter une implémentation, la signification de chaque variable et un plan de comparaison de la sortie avec des conditions de référence. Produire cette implémentation est un résultat textuel; exécuter la simulation ou créer un fichier nécessite l’environnement applicatif.
Pour le travail documentaire professionnel, fournissez les rapports sources et définissez le livrable : tableau comparatif, explication, passage révisé ou contenu de feuille de calcul. Indiquez la base de calcul et conservez les emplacements des documents justificatifs. La version décrit aussi un entraînement multilingue couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne; précisez la langue de sortie et la terminologie lors de la préparation d’une tâche multilingue.
Limites utiles
Les modalités documentées sont les entrées textuelles et visuelles et la sortie textuelle. Le contexte d’un million de jetons du fabricant ne constitue pas une spécification distincte de longueur maximale de réponse, et les sources consultées n’établissent pas de limite stricte de sortie indépendante pour cette entrée. Gardez explicites l’édition exacte Large 4, les éléments préparés et les outils connectés. Un enregistrement structuré, une explication ou une action proposée est particulièrement utile lorsque ses champs, ses sources justificatives et l’étape applicative suivante sont définis avant la requête.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-large-4-0 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’ID 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: Fonction fournie comme outil | 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 refusé sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: La valeur 1h est refusée là où le cache des prompts est configuré | 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 comme texte littéral ; aucun ID 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’ID 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/objet 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 | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00272 / 1K jetons Sortie · Jetons en sortie $0.00836 / 1K jetons Entrée · Lecture du cache $0.00028 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00272 / 1K jetons Sortie · Jetons en sortie $0.00836 / 1K jetons Entrée · Lecture du cache $0.00028 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-4-0", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-4-0',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-4-0',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, et conservez le motif final d’arrêt et les données d’utilisation.
Conservez les ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mistralai/mistral-large-4-0
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-large-4-0Mistral Large 4 est un modèle de texte et d’image pour le raisonnement, la programmation, l’analyse documentaire et les agents pilotés par des outils. Son contexte d’un million de jetons annoncé par le fabricant accueille d’importants ensembles de sources, avec des réponses structurées, les appels de fonctions et une architecture granulaire à mélange d’experts.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Large 4 est le modèle multimodal polyvalent de Mistral AI, réunissant suivi d’instructions, raisonnement, programmation et travail agentique. Il accepte du texte et des images et produit du texte, notamment des explications, du code et des champs structurés. Son architecture granulaire à mélange d’experts utilise des composants sélectionnés pour chaque jeton plutôt que d’activer l’ensemble des paramètres à la fois.
Architecture et contexte
La page actuelle du modèle indique 1 050 milliards de paramètres au total, 52 milliards de paramètres actifs et un encodeur visuel de 1,6 milliard de paramètres. La page de publication du fabricant précise la convention de comptage : 49 milliards de paramètres actifs par jeton, ou 52 milliards en incluant les embeddings et les couches de sortie. Ces chiffres décrivent la structure du modèle, et non la longueur d’une réponse.
Le fabricant documente une fenêtre de contexte d’un million de jetons. Utilisez-la pour réunir une quantité importante de sources, la conversation et les instructions, tout en définissant l’objectif du livrable final. Pour une question portant sur plusieurs documents, identifiez chaque document et son rôle, et demandez l’emplacement source à côté de chaque constat. Un grand contexte est utile lorsque exigences, schémas et explications connexes doivent être considérés ensemble.
Réponses structurées et questions sur documents
La fiche du modèle mentionne les sorties structurées, les appels de fonctions, les questions sur documents, les préfixes de réponse, la soumission par lots et les conversations d’agents. La documentation Mistral sur les sorties structurées distingue le mode JSON d’un schéma personnalisé. Précisez le format JSON requis dans l’invite; utilisez un schéma défini lorsque l’interface connectée exige une structure de champs particulière. Un enregistrement peut séparer faits sources, interprétations et questions ouvertes plutôt que de les réunir dans un même paragraphe.
Les questions sur documents suivent un processus associant traitement documentaire et compréhension linguistique. L’OCR prépare le texte, la structure et le formatage, après quoi le modèle répond à une question sur ces éléments. Une requête peut localiser une exigence, comparer des affirmations entre documents ou résumer les éléments utiles à une décision. La compréhension directe d’images et un processus documentaire assisté par OCR constituent des manières liées de préparer les éléments de preuve; l’étape de traitement documentaire reste distincte d’une entrée image.
Par exemple, fournissez une spécification technique et des dessins, identifiez la révision étudiée et demandez une matrice d’exigences. Chaque ligne peut contenir l’exigence, le document ou dessin justificatif, la différence observée et la clarification encore nécessaire. Conservez les libellés, les unités et les zones d’image qui déterminent la comparaison, afin que le résultat reste lié aux sources.
Programmation, agents et raisonnement visuel
La version décrit l’analyse de cybersécurité, le génie logiciel, la compréhension de dépôts et les processus orientés terminal. Pour une revue de code défensive, fournissez le chemin de code pertinent, le comportement attendu et les éléments attestant l’échec. Demandez la cause, une correction proposée et des exemples distinguant l’ancien comportement du comportement voulu. Pour une question sur un dépôt, incluez les modules et les relations d’appel nécessaires à l’explication du comportement choisi.
L’appel de fonctions relie le raisonnement aux outils fournis par l’application. La séquence du fabricant définit les fonctions, fournit la question utilisateur, laisse le modèle préparer les arguments, exécute la fonction choisie dans l’application et renvoie son résultat pour la réponse suivante. Un appel proposé se distingue de son exécution. La fiche mentionne aussi des outils intégrés à l’interface d’agent ou de conversation du fabricant; ils appartiennent à ce processus connecté plutôt que d’ajouter une modalité d’entrée ou de sortie au modèle.
La compréhension visuelle couvre documents, graphiques, scènes naturelles et dessins techniques. Une tâche sur un dessin peut demander quel composant étiqueté satisfait une exigence fournie, quelle cote ou annotation étaye le constat et quelle zone doit être examinée de plus près. Les exemples d’agents visuels de la version associent interprétation et étapes d’inspection; le zoom, la recherche et les autres actions nécessitent l’environnement d’outils environnant.
Science, mathématiques et livrables professionnels
Le fabricant cite la programmation scientifique, l’analyse de données, la modélisation et le raisonnement mathématique parmi les applications prévues. Fournissez les équations, les hypothèses, les unités et la forme de résultat requise. Une demande de programmation scientifique peut solliciter une implémentation, la signification de chaque variable et un plan de comparaison de la sortie avec des conditions de référence. Produire cette implémentation est un résultat textuel; exécuter la simulation ou créer un fichier nécessite l’environnement applicatif.
Pour le travail documentaire professionnel, fournissez les rapports sources et définissez le livrable : tableau comparatif, explication, passage révisé ou contenu de feuille de calcul. Indiquez la base de calcul et conservez les emplacements des documents justificatifs. La version décrit aussi un entraînement multilingue couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne; précisez la langue de sortie et la terminologie lors de la préparation d’une tâche multilingue.
Limites utiles
Les modalités documentées sont les entrées textuelles et visuelles et la sortie textuelle. Le contexte d’un million de jetons du fabricant ne constitue pas une spécification distincte de longueur maximale de réponse, et les sources consultées n’établissent pas de limite stricte de sortie indépendante pour cette entrée. Gardez explicites l’édition exacte Large 4, les éléments préparés et les outils connectés. Un enregistrement structuré, une explication ou une action proposée est particulièrement utile lorsque ses champs, ses sources justificatives et l’étape applicative suivante sont définis avant la requête.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-large-4-0 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
Chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Jetons de contexte, plus de | Jetons de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Jetons de contexte, plus de— | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00272 / 1K jetons Sortie · Jetons en sortie $0.00836 / 1K jetons Entrée · Lecture du cache $0.00028 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Jetons de contexte, plus de0 | Jetons de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Jetons en entrée $0.00272 / 1K jetons Sortie · Jetons en sortie $0.00836 / 1K jetons Entrée · Lecture du cache $0.00028 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-4-0', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-4-0', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les ID 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 ID et les en-têtes de requête/réponse. Aucune URL générique de récupération de tâche textuelle 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 éléments fournis ou valeur de paramètre invalides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mistralai/mistral-large-4-0
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.