Mistral Medium 3 est le modèle multimodal de Mistral AI pour le travail professionnel associant texte, compréhension visuelle et code. La version initiale met en avant la programmation et les tâches scientifiques et techniques, ainsi que l’adaptation aux connaissances et aux processus de l’entreprise. Il accepte des éléments textuels et visuels et produit du texte, notamment une explication documentaire, un enregistrement structuré ou une proposition d’implémentation. L’identifiant fixe du fabricant pour cette édition est mistral-medium-2505.
Contexte et sources professionnelles
La page du modèle indique une fenêtre de contexte de 128k. Utilisez-la pour conserver les passages sources, la conversation et les instructions qui déterminent le livrable demandé. Pour comparer des documents, précisez quelle source constitue l’exigence actuelle, laquelle représente la révision proposée et quelle question doit être résolue. Demandez le document et la section justificatifs à côté de chaque constat.
Une tâche d’explication pratique peut fournir une procédure et une question utilisateur, puis demander l’action pertinente et la condition qui la rend applicable. Une analyse technique peut comprendre les données sources, les définitions et le critère de comparaison. L’objectif est un résultat lié aux éléments fournis plutôt qu’une description générale du sujet.
Sorties structurées et fonctions
La page mentionne les sorties structurées et les appels de fonctions. Pour une extraction, définissez les noms de champs, les types et la représentation des informations absentes des sources. Un enregistrement utile peut séparer identifiant, énoncé source, interprétation et question non résolue. Les consignes communes de Mistral distinguent le mode JSON d’un schéma personnalisé et exigent une demande explicite du format JSON souhaité.
L’appel de fonctions relie l’interprétation du modèle aux opérations décrites par l’application. Le modèle choisit une fonction et prépare ses arguments, l’application l’exécute, puis son résultat devient un élément de contexte pour la réponse suivante. Une recherche peut fournir une valeur de référence manquante; un calcul peut fournir un résultat nécessaire à l’explication. Conservez le résultat avec l’opération qui l’a produit, au lieu de considérer l’appel proposé comme une action exécutée.
Questions documentaires et visuelles
Les questions sur documents figurent aussi parmi les capacités de cette édition. Le processus documenté du fabricant prépare le texte, la structure et le formatage d’un document par OCR avant l’analyse par le modèle linguistique. Interrogez le modèle sur l’exigence, le passage ou la relation précise dont la tâche a besoin. Pour plusieurs documents, conservez leurs identités et demandez une comparaison avec l’emplacement source à côté de chaque conclusion.
Pour les éléments visuels, associez l’image à une question définie et conservez les libellés, les unités et les zones nécessaires à la réponse. Pour un graphique, vous pouvez demander une comparaison entre séries nommées; pour un schéma, demander quelle connexion étaye une exigence fournie. Une image documentaire lisible et un document préparé par OCR correspondent à des préparations d’entrée distinctes, même s’ils visent le même objectif de question-réponse.
Édition, préfixes et processus
La page du modèle mentionne les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites utilisent un contenu connu lorsqu’une grande partie d’un document ou d’un fichier de code doit rester identique alors qu’une partie limitée change. Fournissez le contenu existant, précisez la modification et identifiez les éléments à préserver. Cela diffère d’une demande de création d’un document entièrement nouveau.
Un préfixe de réponse fournit un début connu pour le texte généré par l’assistant, qui poursuit ensuite à partir de ce début. Le traitement par lots change la manière de soumettre les tâches, tandis qu’une interface d’agent ou de conversation gère un processus connecté. Les outils intégrés mentionnés appartiennent à cette interface du fabricant; ils n’ajoutent pas une autre modalité de contenu au modèle sous-jacent et n’effectuent aucune action sans environnement connecté.
Programmation et adaptation métier
Pour une demande de programmation, fournissez l’exigence, la fonction concernée, les déclarations pertinentes et les entrées et sorties attendues. Demandez la modification proposée, ses hypothèses et des exemples distinguant le comportement voulu. Une question de débogage peut inclure les éléments attestant l’échec et demander quel chemin dans les sources l’explique. L’accès au dépôt, l’exécution du code et l’application de la modification proviennent des outils de développement environnants.
L’annonce initiale décrit un post-entraînement personnalisé et un ajustement fin pour les contextes et bases de connaissances propres à l’entreprise. Il s’agit d’un processus d’adaptation distinct, et non de l’affirmation que les documents d’une organisation donnée sont déjà connus du modèle par défaut. Pour une réponse conditionnée par les sources, fournissez directement les documents et la terminologie pertinents avec la tâche et définissez les règles de réponse.
Périmètre de l’édition et des résultats
Cette entrée conserve l’identité 2505 de Medium 3 et son contexte de 128k. Le nombre de paramètres architecturaux et les contrôles configurables de raisonnement hybride documentés plus tard pour Medium 3.5 ne font pas partie des spécifications de cette édition. La page exacte du modèle ne publie pas de nombre de paramètres ni de longueur maximale de réponse stricte distincte à emprunter à une version ultérieure.
Préparez le résultat attendu avant la requête : explication, extraction structurée, section révisée ou proposition de code. Gardez explicites les éléments textuels et visuels, les identités des sources et les éventuels résultats d’outils connectés, afin que la réponse puisse être examinée et utilisée à l’étape suivante de l’application.
", "aboutText": "Mistral Medium 3 est le modèle multimodal de Mistral AI pour le travail professionnel associant texte, compréhension visuelle et code. La version initiale met en avant la programmation et les tâches scientifiques et techniques, ainsi que l’adaptation aux connaissances et aux processus de l’entreprise. Il accepte des éléments textuels et visuels et produit du texte, notamment une explication documentaire, un enregistrement structuré ou une proposition d’implémentation. L’identifiant fixe du fabricant pour cette édition est mistral-medium-2505.\n\nContexte et sources professionnelles\n\nLa page du modèle indique une fenêtre de contexte de 128k. Utilisez-la pour conserver les passages sources, la conversation et les instructions qui déterminent le livrable demandé. Pour comparer des documents, précisez quelle source constitue l’exigence actuelle, laquelle représente la révision proposée et quelle question doit être résolue. Demandez le document et la section justificatifs à côté de chaque constat.\n\nUne tâche d’explication pratique peut fournir une procédure et une question utilisateur, puis demander l’action pertinente et la condition qui la rend applicable. Une analyse technique peut comprendre les données sources, les définitions et le critère de comparaison. L’objectif est un résultat lié aux éléments fournis plutôt qu’une description générale du sujet.\n\nSorties structurées et fonctions\n\nLa page mentionne les sorties structurées et les appels de fonctions. Pour une extraction, définissez les noms de champs, les types et la représentation des informations absentes des sources. Un enregistrement utile peut séparer identifiant, énoncé source, interprétation et question non résolue. Les consignes communes de Mistral distinguent le mode JSON d’un schéma personnalisé et exigent une demande explicite du format JSON souhaité.\n\nL’appel de fonctions relie l’interprétation du modèle aux opérations décrites par l’application. Le modèle choisit une fonction et prépare ses arguments, l’application l’exécute, puis son résultat devient un élément de contexte pour la réponse suivante. Une recherche peut fournir une valeur de référence manquante; un calcul peut fournir un résultat nécessaire à l’explication. Conservez le résultat avec l’opération qui l’a produit, au lieu de considérer l’appel proposé comme une action exécutée.\n\nQuestions documentaires et visuelles\n\nLes questions sur documents figurent aussi parmi les capacités de cette édition. Le processus documenté du fabricant prépare le texte, la structure et le formatage d’un document par OCR avant l’analyse par le modèle linguistique. Interrogez le modèle sur l’exigence, le passage ou la relation précise dont la tâche a besoin. Pour plusieurs documents, conservez leurs identités et demandez une comparaison avec l’emplacement source à côté de chaque conclusion.\n\nPour les éléments visuels, associez l’image à une question définie et conservez les libellés, les unités et les zones nécessaires à la réponse. Pour un graphique, vous pouvez demander une comparaison entre séries nommées; pour un schéma, demander quelle connexion étaye une exigence fournie. Une image documentaire lisible et un document préparé par OCR correspondent à des préparations d’entrée distinctes, même s’ils visent le même objectif de question-réponse.\n\nÉdition, préfixes et processus\n\nLa page du modèle mentionne les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites utilisent un contenu connu lorsqu’une grande partie d’un document ou d’un fichier de code doit rester identique alors qu’une partie limitée change. Fournissez le contenu existant, précisez la modification et identifiez les éléments à préserver. Cela diffère d’une demande de création d’un document entièrement nouveau.\n\nUn préfixe de réponse fournit un début connu pour le texte généré par l’assistant, qui poursuit ensuite à partir de ce début. Le traitement par lots change la manière de soumettre les tâches, tandis qu’une interface d’agent ou de conversation gère un processus connecté. Les outils intégrés mentionnés appartiennent à cette interface du fabricant; ils n’ajoutent pas une autre modalité de contenu au modèle sous-jacent et n’effectuent aucune action sans environnement connecté.\n\nProgrammation et adaptation métier\n\nPour une demande de programmation, fournissez l’exigence, la fonction concernée, les déclarations pertinentes et les entrées et sorties attendues. Demandez la modification proposée, ses hypothèses et des exemples distinguant le comportement voulu. Une question de débogage peut inclure les éléments attestant l’échec et demander quel chemin dans les sources l’explique. L’accès au dépôt, l’exécution du code et l’application de la modification proviennent des outils de développement environnants.\n\nL’annonce initiale décrit un post-entraînement personnalisé et un ajustement fin pour les contextes et bases de connaissances propres à l’entreprise. Il s’agit d’un processus d’adaptation distinct, et non de l’affirmation que les documents d’une organisation donnée sont déjà connus du modèle par défaut. Pour une réponse conditionnée par les sources, fournissez directement les documents et la terminologie pertinents avec la tâche et définissez les règles de réponse.\n\nPérimètre de l’édition et des résultats\n\nCette entrée conserve l’identité 2505 de Medium 3 et son contexte de 128k. Le nombre de paramètres architecturaux et les contrôles configurables de raisonnement hybride documentés plus tard pour Medium 3.5 ne font pas partie des spécifications de cette édition. La page exacte du modèle ne publie pas de nombre de paramètres ni de longueur maximale de réponse stricte distincte à emprunter à une version ultérieure.\n\nPréparez le résultat attendu avant la requête : explication, extraction structurée, section révisée ou proposition de code. Gardez explicites les éléments textuels et visuels, les identités des sources et les éventuels résultats d’outils connectés, afin que la réponse puisse être examinée et utilisée à l’étape suivante de l’application.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.mistralai/mistral-medium-3Mistral Medium 3 est un modèle multimodal pour les tâches professionnelles textuelles, visuelles et de programmation. Son contexte de 128k annoncé par le fabricant et ses fonctions documentées de sorties structurées, d’appels de fonctions, de questions sur documents et de modifications prévisibles accompagnent les explications fondées sur des sources et les processus applicatifs.
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 est le modèle multimodal de Mistral AI pour le travail professionnel associant texte, compréhension visuelle et code. La version initiale met en avant la programmation et les tâches scientifiques et techniques, ainsi que l’adaptation aux connaissances et aux processus de l’entreprise. Il accepte des éléments textuels et visuels et produit du texte, notamment une explication documentaire, un enregistrement structuré ou une proposition d’implémentation. L’identifiant fixe du fabricant pour cette édition est mistral-medium-2505.
Contexte et sources professionnelles
La page du modèle indique une fenêtre de contexte de 128k. Utilisez-la pour conserver les passages sources, la conversation et les instructions qui déterminent le livrable demandé. Pour comparer des documents, précisez quelle source constitue l’exigence actuelle, laquelle représente la révision proposée et quelle question doit être résolue. Demandez le document et la section justificatifs à côté de chaque constat.
Une tâche d’explication pratique peut fournir une procédure et une question utilisateur, puis demander l’action pertinente et la condition qui la rend applicable. Une analyse technique peut comprendre les données sources, les définitions et le critère de comparaison. L’objectif est un résultat lié aux éléments fournis plutôt qu’une description générale du sujet.
Sorties structurées et fonctions
La page mentionne les sorties structurées et les appels de fonctions. Pour une extraction, définissez les noms de champs, les types et la représentation des informations absentes des sources. Un enregistrement utile peut séparer identifiant, énoncé source, interprétation et question non résolue. Les consignes communes de Mistral distinguent le mode JSON d’un schéma personnalisé et exigent une demande explicite du format JSON souhaité.
L’appel de fonctions relie l’interprétation du modèle aux opérations décrites par l’application. Le modèle choisit une fonction et prépare ses arguments, l’application l’exécute, puis son résultat devient un élément de contexte pour la réponse suivante. Une recherche peut fournir une valeur de référence manquante; un calcul peut fournir un résultat nécessaire à l’explication. Conservez le résultat avec l’opération qui l’a produit, au lieu de considérer l’appel proposé comme une action exécutée.
Questions documentaires et visuelles
Les questions sur documents figurent aussi parmi les capacités de cette édition. Le processus documenté du fabricant prépare le texte, la structure et le formatage d’un document par OCR avant l’analyse par le modèle linguistique. Interrogez le modèle sur l’exigence, le passage ou la relation précise dont la tâche a besoin. Pour plusieurs documents, conservez leurs identités et demandez une comparaison avec l’emplacement source à côté de chaque conclusion.
Pour les éléments visuels, associez l’image à une question définie et conservez les libellés, les unités et les zones nécessaires à la réponse. Pour un graphique, vous pouvez demander une comparaison entre séries nommées; pour un schéma, demander quelle connexion étaye une exigence fournie. Une image documentaire lisible et un document préparé par OCR correspondent à des préparations d’entrée distinctes, même s’ils visent le même objectif de question-réponse.
Édition, préfixes et processus
La page du modèle mentionne les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites utilisent un contenu connu lorsqu’une grande partie d’un document ou d’un fichier de code doit rester identique alors qu’une partie limitée change. Fournissez le contenu existant, précisez la modification et identifiez les éléments à préserver. Cela diffère d’une demande de création d’un document entièrement nouveau.
Un préfixe de réponse fournit un début connu pour le texte généré par l’assistant, qui poursuit ensuite à partir de ce début. Le traitement par lots change la manière de soumettre les tâches, tandis qu’une interface d’agent ou de conversation gère un processus connecté. Les outils intégrés mentionnés appartiennent à cette interface du fabricant; ils n’ajoutent pas une autre modalité de contenu au modèle sous-jacent et n’effectuent aucune action sans environnement connecté.
Programmation et adaptation métier
Pour une demande de programmation, fournissez l’exigence, la fonction concernée, les déclarations pertinentes et les entrées et sorties attendues. Demandez la modification proposée, ses hypothèses et des exemples distinguant le comportement voulu. Une question de débogage peut inclure les éléments attestant l’échec et demander quel chemin dans les sources l’explique. L’accès au dépôt, l’exécution du code et l’application de la modification proviennent des outils de développement environnants.
L’annonce initiale décrit un post-entraînement personnalisé et un ajustement fin pour les contextes et bases de connaissances propres à l’entreprise. Il s’agit d’un processus d’adaptation distinct, et non de l’affirmation que les documents d’une organisation donnée sont déjà connus du modèle par défaut. Pour une réponse conditionnée par les sources, fournissez directement les documents et la terminologie pertinents avec la tâche et définissez les règles de réponse.
Périmètre de l’édition et des résultats
Cette entrée conserve l’identité 2505 de Medium 3 et son contexte de 128k. Le nombre de paramètres architecturaux et les contrôles configurables de raisonnement hybride documentés plus tard pour Medium 3.5 ne font pas partie des spécifications de cette édition. La page exacte du modèle ne publie pas de nombre de paramètres ni de longueur maximale de réponse stricte distincte à emprunter à une version ultérieure.
Préparez le résultat attendu avant la requête : explication, extraction structurée, section révisée ou proposition de code. Gardez explicites les éléments textuels et visuels, les identités des sources et les éventuels résultats d’outils connectés, afin que la réponse puisse être examinée et utilisée à l’étape suivante de l’application.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-medium-3 | 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 $0.0008 / 1K jetons Sortie · Jetons en sortie $0.004 / 1K jetons Entrée · Lecture du cache $0.00008 / 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 $0.0008 / 1K jetons Sortie · Jetons en sortie $0.004 / 1K jetons Entrée · Lecture du cache $0.00008 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3", "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-medium-3',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-medium-3',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-medium-3
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-medium-3Mistral Medium 3 est un modèle multimodal pour les tâches professionnelles textuelles, visuelles et de programmation. Son contexte de 128k annoncé par le fabricant et ses fonctions documentées de sorties structurées, d’appels de fonctions, de questions sur documents et de modifications prévisibles accompagnent les explications fondées sur des sources et les processus applicatifs.
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 est le modèle multimodal de Mistral AI pour le travail professionnel associant texte, compréhension visuelle et code. La version initiale met en avant la programmation et les tâches scientifiques et techniques, ainsi que l’adaptation aux connaissances et aux processus de l’entreprise. Il accepte des éléments textuels et visuels et produit du texte, notamment une explication documentaire, un enregistrement structuré ou une proposition d’implémentation. L’identifiant fixe du fabricant pour cette édition est mistral-medium-2505.
Contexte et sources professionnelles
La page du modèle indique une fenêtre de contexte de 128k. Utilisez-la pour conserver les passages sources, la conversation et les instructions qui déterminent le livrable demandé. Pour comparer des documents, précisez quelle source constitue l’exigence actuelle, laquelle représente la révision proposée et quelle question doit être résolue. Demandez le document et la section justificatifs à côté de chaque constat.
Une tâche d’explication pratique peut fournir une procédure et une question utilisateur, puis demander l’action pertinente et la condition qui la rend applicable. Une analyse technique peut comprendre les données sources, les définitions et le critère de comparaison. L’objectif est un résultat lié aux éléments fournis plutôt qu’une description générale du sujet.
Sorties structurées et fonctions
La page mentionne les sorties structurées et les appels de fonctions. Pour une extraction, définissez les noms de champs, les types et la représentation des informations absentes des sources. Un enregistrement utile peut séparer identifiant, énoncé source, interprétation et question non résolue. Les consignes communes de Mistral distinguent le mode JSON d’un schéma personnalisé et exigent une demande explicite du format JSON souhaité.
L’appel de fonctions relie l’interprétation du modèle aux opérations décrites par l’application. Le modèle choisit une fonction et prépare ses arguments, l’application l’exécute, puis son résultat devient un élément de contexte pour la réponse suivante. Une recherche peut fournir une valeur de référence manquante; un calcul peut fournir un résultat nécessaire à l’explication. Conservez le résultat avec l’opération qui l’a produit, au lieu de considérer l’appel proposé comme une action exécutée.
Questions documentaires et visuelles
Les questions sur documents figurent aussi parmi les capacités de cette édition. Le processus documenté du fabricant prépare le texte, la structure et le formatage d’un document par OCR avant l’analyse par le modèle linguistique. Interrogez le modèle sur l’exigence, le passage ou la relation précise dont la tâche a besoin. Pour plusieurs documents, conservez leurs identités et demandez une comparaison avec l’emplacement source à côté de chaque conclusion.
Pour les éléments visuels, associez l’image à une question définie et conservez les libellés, les unités et les zones nécessaires à la réponse. Pour un graphique, vous pouvez demander une comparaison entre séries nommées; pour un schéma, demander quelle connexion étaye une exigence fournie. Une image documentaire lisible et un document préparé par OCR correspondent à des préparations d’entrée distinctes, même s’ils visent le même objectif de question-réponse.
Édition, préfixes et processus
La page du modèle mentionne les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites utilisent un contenu connu lorsqu’une grande partie d’un document ou d’un fichier de code doit rester identique alors qu’une partie limitée change. Fournissez le contenu existant, précisez la modification et identifiez les éléments à préserver. Cela diffère d’une demande de création d’un document entièrement nouveau.
Un préfixe de réponse fournit un début connu pour le texte généré par l’assistant, qui poursuit ensuite à partir de ce début. Le traitement par lots change la manière de soumettre les tâches, tandis qu’une interface d’agent ou de conversation gère un processus connecté. Les outils intégrés mentionnés appartiennent à cette interface du fabricant; ils n’ajoutent pas une autre modalité de contenu au modèle sous-jacent et n’effectuent aucune action sans environnement connecté.
Programmation et adaptation métier
Pour une demande de programmation, fournissez l’exigence, la fonction concernée, les déclarations pertinentes et les entrées et sorties attendues. Demandez la modification proposée, ses hypothèses et des exemples distinguant le comportement voulu. Une question de débogage peut inclure les éléments attestant l’échec et demander quel chemin dans les sources l’explique. L’accès au dépôt, l’exécution du code et l’application de la modification proviennent des outils de développement environnants.
L’annonce initiale décrit un post-entraînement personnalisé et un ajustement fin pour les contextes et bases de connaissances propres à l’entreprise. Il s’agit d’un processus d’adaptation distinct, et non de l’affirmation que les documents d’une organisation donnée sont déjà connus du modèle par défaut. Pour une réponse conditionnée par les sources, fournissez directement les documents et la terminologie pertinents avec la tâche et définissez les règles de réponse.
Périmètre de l’édition et des résultats
Cette entrée conserve l’identité 2505 de Medium 3 et son contexte de 128k. Le nombre de paramètres architecturaux et les contrôles configurables de raisonnement hybride documentés plus tard pour Medium 3.5 ne font pas partie des spécifications de cette édition. La page exacte du modèle ne publie pas de nombre de paramètres ni de longueur maximale de réponse stricte distincte à emprunter à une version ultérieure.
Préparez le résultat attendu avant la requête : explication, extraction structurée, section révisée ou proposition de code. Gardez explicites les éléments textuels et visuels, les identités des sources et les éventuels résultats d’outils connectés, afin que la réponse puisse être examinée et utilisée à l’étape suivante de l’application.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-medium-3 | 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 $0.0008 / 1K jetons Sortie · Jetons en sortie $0.004 / 1K jetons Entrée · Lecture du cache $0.00008 / 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 $0.0008 / 1K jetons Sortie · Jetons en sortie $0.004 / 1K jetons Entrée · Lecture du cache $0.00008 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-medium-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-3', '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-medium-3', '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-medium-3
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.