Mistral Small 4 réunit le suivi général d’instructions, le raisonnement et la programmation dans un modèle multimodal unique. Le fabricant le décrit comme unifiant les familles Instruct, Magistral pour le raisonnement et Devstral pour la programmation. Il accepte du texte et des images et renvoie du texte, avec des appels de fonctions et une sortie JSON pour les applications assistées par des outils.
Architecture et fonctions principales
La version compte 119 milliards de paramètres au total et en active 6,5 milliards par jeton. Son architecture à mélange d’experts comporte 128 experts, dont 4 actifs, et le fabricant documente une fenêtre de contexte de 256k. Le nombre de paramètres actifs et d’experts décrit l’organisation du modèle; il se distingue de la quantité de texte ou d’images incluse dans une tâche.
Le modèle fournit les fonctions d’instructions et de raisonnement dans le même point de contrôle. Le fabricant cite aussi la vision, le respect de l’invite système et une prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Une instruction textuelle peut donc interroger une image ou associer une exigence écrite à des éléments visibles, avec une réponse textuelle.
Une tâche visuelle peut fournir une page documentaire et demander les valeurs utiles à une condition nommée. Gardez les libellés et les unités lisibles et indiquez si le résultat doit préserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer une capture d’écran à l’objectif utilisateur et demander la commande visible pertinente et les éléments justifiant une prochaine étape proposée.
Choisir le mode instructions ou raisonnement
La fiche publiée documente l’effort de raisonnement none pour une réponse immédiate de type instruction et high pour le raisonnement, high étant recommandé pour les invites complexes. Le choix se fait par requête dans le même modèle Small 4. Une classification ordinaire ou une réécriture courte peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou de programmation nécessitant une explication développée.
Le fabricant recommande temperature 0.7 pour l’effort de raisonnement high. Pour none, il précise des températures entre 0.0 et 0.7 selon la tâche. Ces réglages décrivent les modes documentés et ne transforment pas l’effort de raisonnement en garantie d’exactitude. Définissez les hypothèses, la forme de sortie et les sources pertinentes avant de choisir la quantité de raisonnement nécessaire.
Pour un problème détaillé, fournissez l’énoncé complet et demandez les étapes importantes justifiées suivies de l’expression finale. Pour le code, fournissez l’exigence, la fonction concernée et une entrée concrète; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations d’utilisation du fabricant comprennent le suivi d’instructions, un outil de calcul appliqué à une image et du raisonnement visuel, illustrant l’entrée d’éléments textuels et visuels dans ces différentes tâches.
Programmation, documents et outils
Le modèle est destiné à l’exploration de code et aux agents de génie logiciel, aux assistants généralistes, à la compréhension documentaire et à la recherche. Une demande à un agent de programmation peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez les sources pertinentes et les éléments attestant l’échec. Le modèle peut proposer l’opération suivante ou une modification de code, tandis que l’application fournit l’accès au dépôt, l’exécution et les retours.
Pour une extraction documentaire, identifiez les champs requis et la représentation des informations manquantes. Un enregistrement utile peut séparer identifiant documentaire, énoncé source, exigence interprétée et question non résolue. La fiche de service du fabricant mentionne les sorties structurées personnalisées et les questions sur documents; ces dernières utilisent le traitement documentaire et l’OCR pour préparer texte et structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR doivent garder leur propre préparation d’entrée.
L’appel de fonctions exige des outils clairement décrits. Le modèle sélectionne une fonction et crée les arguments; l’application exécute l’opération et renvoie son résultat pour la réponse suivante. La même logique s’applique à une recherche, à un calcul ou à une opération de programmation. Le formatage JSON organise une réponse, tandis qu’un appel d’outil demande une action externe; les deux ne doivent pas être considérés comme des résultats interchangeables.
La fiche de service mentionne aussi les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites servent lorsqu’un document ou fichier de code doit être régénéré avec une modification limitée et que le reste du contenu est connu. Précisez la modification et les éléments à préserver. La continuation par préfixe utilise un début de réponse connu, tandis que le traitement par lots concerne la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.
Périmètre du contexte et de l’édition
Organisez la tâche écrite, les éléments visuels, la conversation et la réponse souhaitée selon le contexte documenté de 256k. L’exemple d’utilisation publié configure un contexte de 262 144 jetons, tandis que son exemple de génération de 1 024 jetons ne constitue pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de longueur de réponse à substituer à la longueur choisie pour la tâche.
Small 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit hériter ni de l’architecture dense de 128 milliards de paramètres de Medium 3.5 ni des éditions Instruct et Reasoning séparées de Ministral 3. Le fabricant publie aussi des artefacts quantifiés et de décodage spéculatif distincts; ce sont des artefacts de déploiement séparés plutôt que des modalités de contenu différentes. Préservez la version Small 4 nommée et le mode demandé pour l’explication, l’enregistrement structuré ou le résultat de code réel.
", "aboutText": "Mistral Small 4 réunit le suivi général d’instructions, le raisonnement et la programmation dans un modèle multimodal unique. Le fabricant le décrit comme unifiant les familles Instruct, Magistral pour le raisonnement et Devstral pour la programmation. Il accepte du texte et des images et renvoie du texte, avec des appels de fonctions et une sortie JSON pour les applications assistées par des outils.\n\nArchitecture et fonctions principales\n\nLa version compte 119 milliards de paramètres au total et en active 6,5 milliards par jeton. Son architecture à mélange d’experts comporte 128 experts, dont 4 actifs, et le fabricant documente une fenêtre de contexte de 256k. Le nombre de paramètres actifs et d’experts décrit l’organisation du modèle; il se distingue de la quantité de texte ou d’images incluse dans une tâche.\n\nLe modèle fournit les fonctions d’instructions et de raisonnement dans le même point de contrôle. Le fabricant cite aussi la vision, le respect de l’invite système et une prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Une instruction textuelle peut donc interroger une image ou associer une exigence écrite à des éléments visibles, avec une réponse textuelle.\n\nUne tâche visuelle peut fournir une page documentaire et demander les valeurs utiles à une condition nommée. Gardez les libellés et les unités lisibles et indiquez si le résultat doit préserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer une capture d’écran à l’objectif utilisateur et demander la commande visible pertinente et les éléments justifiant une prochaine étape proposée.\n\nChoisir le mode instructions ou raisonnement\n\nLa fiche publiée documente l’effort de raisonnement none pour une réponse immédiate de type instruction et high pour le raisonnement, high étant recommandé pour les invites complexes. Le choix se fait par requête dans le même modèle Small 4. Une classification ordinaire ou une réécriture courte peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou de programmation nécessitant une explication développée.\n\nLe fabricant recommande temperature 0.7 pour l’effort de raisonnement high. Pour none, il précise des températures entre 0.0 et 0.7 selon la tâche. Ces réglages décrivent les modes documentés et ne transforment pas l’effort de raisonnement en garantie d’exactitude. Définissez les hypothèses, la forme de sortie et les sources pertinentes avant de choisir la quantité de raisonnement nécessaire.\n\nPour un problème détaillé, fournissez l’énoncé complet et demandez les étapes importantes justifiées suivies de l’expression finale. Pour le code, fournissez l’exigence, la fonction concernée et une entrée concrète; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations d’utilisation du fabricant comprennent le suivi d’instructions, un outil de calcul appliqué à une image et du raisonnement visuel, illustrant l’entrée d’éléments textuels et visuels dans ces différentes tâches.\n\nProgrammation, documents et outils\n\nLe modèle est destiné à l’exploration de code et aux agents de génie logiciel, aux assistants généralistes, à la compréhension documentaire et à la recherche. Une demande à un agent de programmation peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez les sources pertinentes et les éléments attestant l’échec. Le modèle peut proposer l’opération suivante ou une modification de code, tandis que l’application fournit l’accès au dépôt, l’exécution et les retours.\n\nPour une extraction documentaire, identifiez les champs requis et la représentation des informations manquantes. Un enregistrement utile peut séparer identifiant documentaire, énoncé source, exigence interprétée et question non résolue. La fiche de service du fabricant mentionne les sorties structurées personnalisées et les questions sur documents; ces dernières utilisent le traitement documentaire et l’OCR pour préparer texte et structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR doivent garder leur propre préparation d’entrée.\n\nL’appel de fonctions exige des outils clairement décrits. Le modèle sélectionne une fonction et crée les arguments; l’application exécute l’opération et renvoie son résultat pour la réponse suivante. La même logique s’applique à une recherche, à un calcul ou à une opération de programmation. Le formatage JSON organise une réponse, tandis qu’un appel d’outil demande une action externe; les deux ne doivent pas être considérés comme des résultats interchangeables.\n\nLa fiche de service mentionne aussi les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites servent lorsqu’un document ou fichier de code doit être régénéré avec une modification limitée et que le reste du contenu est connu. Précisez la modification et les éléments à préserver. La continuation par préfixe utilise un début de réponse connu, tandis que le traitement par lots concerne la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.\n\nPérimètre du contexte et de l’édition\n\nOrganisez la tâche écrite, les éléments visuels, la conversation et la réponse souhaitée selon le contexte documenté de 256k. L’exemple d’utilisation publié configure un contexte de 262 144 jetons, tandis que son exemple de génération de 1 024 jetons ne constitue pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de longueur de réponse à substituer à la longueur choisie pour la tâche.\n\nSmall 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit hériter ni de l’architecture dense de 128 milliards de paramètres de Medium 3.5 ni des éditions Instruct et Reasoning séparées de Ministral 3. Le fabricant publie aussi des artefacts quantifiés et de décodage spéculatif distincts; ce sont des artefacts de déploiement séparés plutôt que des modalités de contenu différentes. Préservez la version Small 4 nommée et le mode demandé pour l’explication, l’enregistrement structuré ou le résultat de code réel.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c8c12121c5a1af24f097e7ce546dd77334c6ebb7411eb2cec76a01df320833ad", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "mistralai/mistral-small-2603:batchMistral Small 4 est un modèle hybride de texte et d’image doté de capacités d’instructions, de raisonnement et de programmation. Sa version à mélange d’experts de 119 milliards de paramètres en active 6,5 milliards par jeton et prend en charge un contexte de 256k annoncé par le fabricant, un effort de raisonnement sélectionnable, JSON et les appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 4 réunit le suivi général d’instructions, le raisonnement et la programmation dans un modèle multimodal unique. Le fabricant le décrit comme unifiant les familles Instruct, Magistral pour le raisonnement et Devstral pour la programmation. Il accepte du texte et des images et renvoie du texte, avec des appels de fonctions et une sortie JSON pour les applications assistées par des outils.
Architecture et fonctions principales
La version compte 119 milliards de paramètres au total et en active 6,5 milliards par jeton. Son architecture à mélange d’experts comporte 128 experts, dont 4 actifs, et le fabricant documente une fenêtre de contexte de 256k. Le nombre de paramètres actifs et d’experts décrit l’organisation du modèle; il se distingue de la quantité de texte ou d’images incluse dans une tâche.
Le modèle fournit les fonctions d’instructions et de raisonnement dans le même point de contrôle. Le fabricant cite aussi la vision, le respect de l’invite système et une prise en charge multilingue de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Une instruction textuelle peut donc interroger une image ou associer une exigence écrite à des éléments visibles, avec une réponse textuelle.
Une tâche visuelle peut fournir une page documentaire et demander les valeurs utiles à une condition nommée. Gardez les libellés et les unités lisibles et indiquez si le résultat doit préserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer une capture d’écran à l’objectif utilisateur et demander la commande visible pertinente et les éléments justifiant une prochaine étape proposée.
Choisir le mode instructions ou raisonnement
La fiche publiée documente l’effort de raisonnement none pour une réponse immédiate de type instruction et high pour le raisonnement, high étant recommandé pour les invites complexes. Le choix se fait par requête dans le même modèle Small 4. Une classification ordinaire ou une réécriture courte peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou de programmation nécessitant une explication développée.
Le fabricant recommande temperature 0.7 pour l’effort de raisonnement high. Pour none, il précise des températures entre 0.0 et 0.7 selon la tâche. Ces réglages décrivent les modes documentés et ne transforment pas l’effort de raisonnement en garantie d’exactitude. Définissez les hypothèses, la forme de sortie et les sources pertinentes avant de choisir la quantité de raisonnement nécessaire.
Pour un problème détaillé, fournissez l’énoncé complet et demandez les étapes importantes justifiées suivies de l’expression finale. Pour le code, fournissez l’exigence, la fonction concernée et une entrée concrète; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations d’utilisation du fabricant comprennent le suivi d’instructions, un outil de calcul appliqué à une image et du raisonnement visuel, illustrant l’entrée d’éléments textuels et visuels dans ces différentes tâches.
Programmation, documents et outils
Le modèle est destiné à l’exploration de code et aux agents de génie logiciel, aux assistants généralistes, à la compréhension documentaire et à la recherche. Une demande à un agent de programmation peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez les sources pertinentes et les éléments attestant l’échec. Le modèle peut proposer l’opération suivante ou une modification de code, tandis que l’application fournit l’accès au dépôt, l’exécution et les retours.
Pour une extraction documentaire, identifiez les champs requis et la représentation des informations manquantes. Un enregistrement utile peut séparer identifiant documentaire, énoncé source, exigence interprétée et question non résolue. La fiche de service du fabricant mentionne les sorties structurées personnalisées et les questions sur documents; ces dernières utilisent le traitement documentaire et l’OCR pour préparer texte et structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR doivent garder leur propre préparation d’entrée.
L’appel de fonctions exige des outils clairement décrits. Le modèle sélectionne une fonction et crée les arguments; l’application exécute l’opération et renvoie son résultat pour la réponse suivante. La même logique s’applique à une recherche, à un calcul ou à une opération de programmation. Le formatage JSON organise une réponse, tandis qu’un appel d’outil demande une action externe; les deux ne doivent pas être considérés comme des résultats interchangeables.
La fiche de service mentionne aussi les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites servent lorsqu’un document ou fichier de code doit être régénéré avec une modification limitée et que le reste du contenu est connu. Précisez la modification et les éléments à préserver. La continuation par préfixe utilise un début de réponse connu, tandis que le traitement par lots concerne la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.
Périmètre du contexte et de l’édition
Organisez la tâche écrite, les éléments visuels, la conversation et la réponse souhaitée selon le contexte documenté de 256k. L’exemple d’utilisation publié configure un contexte de 262 144 jetons, tandis que son exemple de génération de 1 024 jetons ne constitue pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de longueur de réponse à substituer à la longueur choisie pour la tâche.
Small 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit hériter ni de l’architecture dense de 128 milliards de paramètres de Medium 3.5 ni des éditions Instruct et Reasoning séparées de Ministral 3. Le fabricant publie aussi des artefacts quantifiés et de décodage spéculatif distincts; ce sont des artefacts de déploiement séparés plutôt que des modalités de contenu différentes. Préservez la version Small 4 nommée et le mode demandé pour l’explication, l’enregistrement structuré ou le résultat de code réel.
POST /v1/batchestexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champendpoint | Typestring | ExigenceObligatoire | Valeurs et limites /v1/chat/completions | Par défaut— |
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-small-2603:batch | Par défaut— |
Champrequests | Typebatch_item[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champrequests[].custom_id | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champrequests[].body.messages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champcompletion_window | Typestring | ExigenceFacultatif | Valeurs et limites 24h | Par défaut— |
Champprovider | Typeobject|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champrequests[].body.model | Typestring | ExigenceFacultatif | Valeurs et limites mistralai/mistral-small-2603:batch, mistralai/mistral-small-2603 | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites mistral | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | 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 $0.00015 / 1K jetons Sortie · Jetons en sortie $0.0006 / 1K jetons Entrée · Lecture du cache $0.000015 / 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 $0.00015 / 1K jetons Sortie · Jetons en sortie $0.0006 / 1K jetons Entrée · Lecture du cache $0.000015 / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-small-2603:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/mistral-small-2603:batch', 'mistralai/mistral-small-2603']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-small-2603:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON results[].response.body intégré
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRésolvez le problème d’admission avant d’envoyer une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne remplacez pas les prix par d’autres. |
Réponse503 · api_error | ConditionRoute exacte du fournisseur indisponible. | Étape suivanteConservez la réponse pour réparer la route. |
Réponse503 · result_pending_check | ConditionLe résultat d’origine nécessite une vérification ; X-Should-Retry:false. | Étape suivanteConservez l’operation_id/id d’origine et consultez son statut ; ne répétez jamais le POST d’origine. |
Réponse404 · not_found | ConditionOpération de suivi du traitement par lots absente ou appartenant à une autre identité. | Étape suivanteUtilisez l’id exact d’origine avec le même utilisateur, la même clé et le même groupe. |
Ailoot Ultra mistralai/mistral-small-2603:batch
Utilisez les chemins de méthode indiqués ci-dessus.