Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté pour suivre des instructions dans la famille Ministral 3 de Mistral AI. Le point de contrôle publié a été post-entraîné pour les tâches de conversation et de suivi d’instructions en précision FP8. Il associe un composant linguistique et un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.
Architecture et fonctions clés
Le fabricant indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Sa fenêtre de contexte est décrite comme étant de 256 k, et les notes d’utilisation publiées utilisent une longueur configurée par défaut de 262’144. Ces valeurs concernent cette édition de taille 8B ; les membres plus petits 3B et plus grands 14B de la famille conservent leurs propres tailles de composants et configurations.
La vision étend les entrées du modèle au-delà d’une conversation écrite. Une image de document peut être associée à une question sur un champ, un paragraphe ou une relation visible sélectionnés. Une capture d’écran peut être associée à l’objectif de l’utilisateur et à une demande d’identification de la commande pertinente. Demandez l’observation qui étaye chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, les libellés et les unités nécessaires à l’interprétation d’un recadrage.
La fiche décrit le travail multilingue dans des dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Elle indique également le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable souhaité d’une entrée volumineuse.
Tâches documentaires, conversationnelles et agentiques
Les cas d’usage du fabricant comprennent les interfaces de conversation, les assistants quotidiens, la description d’images et de documents, la traduction, la génération de contenu et les agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une demande d’extraction peut nommer les libellés de champs, les types attendus et le traitement des valeurs manquantes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une brève explication liée à la source visible.
Pour une conversation en cours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée. Un utilisateur peut d’abord demander un résumé du document, puis demander quel énoncé étaye une conclusion. La sortie requise passe ainsi d’une vue générale à une explication reliée à une source, tout en conservant les éléments originaux et la finalité du dialogue.
Pour la révision multilingue, fournissez le passage original, le lecteur visé et une liste terminologique. Demandez une version révisée conservant les noms, les conditions et les unités, suivie d’une brève explication des changements si utile. Pour la génération de contenu, précisez le public et les faits qui doivent apparaître avant de demander un brouillon court ou une formulation alternative.
Dans une tâche agentique, l’application fournit les outils et leurs paramètres. Le modèle peut choisir une fonction et préparer les arguments, tandis que l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur une image à un outil de calcul. Gardez le résultat d’outil séparé de l’appel proposé afin que la réponse écrite suivante utilise les informations réellement renvoyées par l’opération.
Préparation et réglages recommandés
Le fabricant recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au minimum nécessaire à la tâche. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle, avec des arguments requis clairement nommés, au lieu de présenter un vaste ensemble d’opérations sans rapport.
Pour l’usage courant et les usages de type production, la fiche recommande une température inférieure à 0.1, avec des températures plus élevées possibles pour l’exploration créative. Considérez cela comme une recommandation pour le processus de suivi d’instructions, et non comme un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée est l’édition Instruct 2512, et non la publication Reasoning séparée de même taille.
Pour les images, le fabricant recommande des proportions proches de 1:1 et déconseille les entrées très étroites ou très larges. Recadrez si nécessaire en conservant les libellés et le contexte requis par la question. Si une page comprend plusieurs zones sans rapport entre elles, identifiez la partie à examiner et le résultat à renvoyer. Une image lisible et ciblée est plus utile qu’une demande laissant le modèle deviner quel petit détail compte dans une page étendue.
Périmètre du contexte et de l’édition
Planifiez le texte, les images, la conversation et la réponse souhaitée en fonction du contexte configuré. Les notes d’utilisation permettent explicitement de réduire la longueur de modèle configurée lorsqu’un contexte plus court suffit ; la fenêtre complète n’est donc pas une instruction de remplir chaque requête avec tous les éléments disponibles. L’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage, et les sources consultées n’établissent pas de longueur maximale de réponse stricte distincte.
Le point de contrôle Instruct FP8, la publication Base préentraînée et la publication Reasoning sont des éditions séparées. Le fabricant cite aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son système de segmentation en jetons lors de la préparation de la conversation, et gardez la génération de texte distincte de l’accès au dépôt, de l’exécution de fonctions ou des autres actions fournies par l’application environnante.
", "aboutText": "Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté pour suivre des instructions dans la famille Ministral 3 de Mistral AI. Le point de contrôle publié a été post-entraîné pour les tâches de conversation et de suivi d’instructions en précision FP8. Il associe un composant linguistique et un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.\n\nArchitecture et fonctions clés\n\nLe fabricant indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Sa fenêtre de contexte est décrite comme étant de 256 k, et les notes d’utilisation publiées utilisent une longueur configurée par défaut de 262’144. Ces valeurs concernent cette édition de taille 8B ; les membres plus petits 3B et plus grands 14B de la famille conservent leurs propres tailles de composants et configurations.\n\nLa vision étend les entrées du modèle au-delà d’une conversation écrite. Une image de document peut être associée à une question sur un champ, un paragraphe ou une relation visible sélectionnés. Une capture d’écran peut être associée à l’objectif de l’utilisateur et à une demande d’identification de la commande pertinente. Demandez l’observation qui étaye chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, les libellés et les unités nécessaires à l’interprétation d’un recadrage.\n\nLa fiche décrit le travail multilingue dans des dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Elle indique également le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable souhaité d’une entrée volumineuse.\n\nTâches documentaires, conversationnelles et agentiques\n\nLes cas d’usage du fabricant comprennent les interfaces de conversation, les assistants quotidiens, la description d’images et de documents, la traduction, la génération de contenu et les agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une demande d’extraction peut nommer les libellés de champs, les types attendus et le traitement des valeurs manquantes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une brève explication liée à la source visible.\n\nPour une conversation en cours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée. Un utilisateur peut d’abord demander un résumé du document, puis demander quel énoncé étaye une conclusion. La sortie requise passe ainsi d’une vue générale à une explication reliée à une source, tout en conservant les éléments originaux et la finalité du dialogue.\n\nPour la révision multilingue, fournissez le passage original, le lecteur visé et une liste terminologique. Demandez une version révisée conservant les noms, les conditions et les unités, suivie d’une brève explication des changements si utile. Pour la génération de contenu, précisez le public et les faits qui doivent apparaître avant de demander un brouillon court ou une formulation alternative.\n\nDans une tâche agentique, l’application fournit les outils et leurs paramètres. Le modèle peut choisir une fonction et préparer les arguments, tandis que l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur une image à un outil de calcul. Gardez le résultat d’outil séparé de l’appel proposé afin que la réponse écrite suivante utilise les informations réellement renvoyées par l’opération.\n\nPréparation et réglages recommandés\n\nLe fabricant recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au minimum nécessaire à la tâche. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle, avec des arguments requis clairement nommés, au lieu de présenter un vaste ensemble d’opérations sans rapport.\n\nPour l’usage courant et les usages de type production, la fiche recommande une température inférieure à 0.1, avec des températures plus élevées possibles pour l’exploration créative. Considérez cela comme une recommandation pour le processus de suivi d’instructions, et non comme un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée est l’édition Instruct 2512, et non la publication Reasoning séparée de même taille.\n\nPour les images, le fabricant recommande des proportions proches de 1:1 et déconseille les entrées très étroites ou très larges. Recadrez si nécessaire en conservant les libellés et le contexte requis par la question. Si une page comprend plusieurs zones sans rapport entre elles, identifiez la partie à examiner et le résultat à renvoyer. Une image lisible et ciblée est plus utile qu’une demande laissant le modèle deviner quel petit détail compte dans une page étendue.\n\nPérimètre du contexte et de l’édition\n\nPlanifiez le texte, les images, la conversation et la réponse souhaitée en fonction du contexte configuré. Les notes d’utilisation permettent explicitement de réduire la longueur de modèle configurée lorsqu’un contexte plus court suffit ; la fenêtre complète n’est donc pas une instruction de remplir chaque requête avec tous les éléments disponibles. L’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage, et les sources consultées n’établissent pas de longueur maximale de réponse stricte distincte.\n\nLe point de contrôle Instruct FP8, la publication Base préentraînée et la publication Reasoning sont des éditions séparées. Le fabricant cite aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son système de segmentation en jetons lors de la préparation de la conversation, et gardez la génération de texte distincte de l’accès au dépôt, de l’exécution de fonctions ou des autres actions fournies par l’application environnante.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9ceb409a75bb79c177aa1687824b4e849cf893952b834c8bff21e94d41cb9cd5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "mistralai/ministral-8b-2512:batchMinistral 3 8B Instruct 2512 est un modèle multilingue de suivi d’instructions traitant le texte et les images, doté d’un composant linguistique de 8,4 milliards de paramètres et d’un encodeur visuel de 0,4 milliard. Il prend en charge un contexte fabricant de 256 k, les instructions système, JSON et les appels de fonctions natifs pour les assistants et les processus documentaires.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Ministral 3 8B Instruct 2512 est le modèle de taille intermédiaire ajusté pour suivre des instructions dans la famille Ministral 3 de Mistral AI. Le point de contrôle publié a été post-entraîné pour les tâches de conversation et de suivi d’instructions en précision FP8. Il associe un composant linguistique et un encodeur visuel, accepte du texte et des images et renvoie du texte plutôt qu’un livrable image ou audio.
Architecture et fonctions clés
Le fabricant indique un modèle linguistique de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard de paramètres. Sa fenêtre de contexte est décrite comme étant de 256 k, et les notes d’utilisation publiées utilisent une longueur configurée par défaut de 262’144. Ces valeurs concernent cette édition de taille 8B ; les membres plus petits 3B et plus grands 14B de la famille conservent leurs propres tailles de composants et configurations.
La vision étend les entrées du modèle au-delà d’une conversation écrite. Une image de document peut être associée à une question sur un champ, un paragraphe ou une relation visible sélectionnés. Une capture d’écran peut être associée à l’objectif de l’utilisateur et à une demande d’identification de la commande pertinente. Demandez l’observation qui étaye chaque conclusion lorsque la réponse dépend d’un détail visuel, et préservez les titres, les libellés et les unités nécessaires à l’interprétation d’un recadrage.
La fiche décrit le travail multilingue dans des dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Elle indique également le respect des instructions système, les appels de fonctions natifs et la sortie JSON. Définissez explicitement la langue finale, le rôle et les exigences de sortie plutôt que de laisser le modèle déduire le livrable souhaité d’une entrée volumineuse.
Tâches documentaires, conversationnelles et agentiques
Les cas d’usage du fabricant comprennent les interfaces de conversation, les assistants quotidiens, la description d’images et de documents, la traduction, la génération de contenu et les agents spécialisés. Pour un assistant documentaire, fournissez la page et précisez les informations à renvoyer. Une demande d’extraction peut nommer les libellés de champs, les types attendus et le traitement des valeurs manquantes. Une réponse utile peut contenir l’identifiant du document, la valeur extraite et une brève explication liée à la source visible.
Pour une conversation en cours, conservez la réponse antérieure pertinente et posez une question de suivi ciblée. Un utilisateur peut d’abord demander un résumé du document, puis demander quel énoncé étaye une conclusion. La sortie requise passe ainsi d’une vue générale à une explication reliée à une source, tout en conservant les éléments originaux et la finalité du dialogue.
Pour la révision multilingue, fournissez le passage original, le lecteur visé et une liste terminologique. Demandez une version révisée conservant les noms, les conditions et les unités, suivie d’une brève explication des changements si utile. Pour la génération de contenu, précisez le public et les faits qui doivent apparaître avant de demander un brouillon court ou une formulation alternative.
Dans une tâche agentique, l’application fournit les outils et leurs paramètres. Le modèle peut choisir une fonction et préparer les arguments, tandis que l’application l’exécute et renvoie le résultat. L’exemple de fonction de la fiche associe une question sur une image à un outil de calcul. Gardez le résultat d’outil séparé de l’appel proposé afin que la réponse écrite suivante utilise les informations réellement renvoyées par l’opération.
Préparation et réglages recommandés
Le fabricant recommande une instruction système décrivant l’environnement, le cas d’usage et l’utilisation des outils. Gardez un ensemble d’outils bien défini et limité au minimum nécessaire à la tâche. Un petit processus de recherche peut proposer les fonctions pertinentes pour la question actuelle, avec des arguments requis clairement nommés, au lieu de présenter un vaste ensemble d’opérations sans rapport.
Pour l’usage courant et les usages de type production, la fiche recommande une température inférieure à 0.1, avec des températures plus élevées possibles pour l’exploration créative. Considérez cela comme une recommandation pour le processus de suivi d’instructions, et non comme un contrôle distinct de mode de raisonnement. La famille possède des points de contrôle Base, Instruct et Reasoning distincts ; cette entrée est l’édition Instruct 2512, et non la publication Reasoning séparée de même taille.
Pour les images, le fabricant recommande des proportions proches de 1:1 et déconseille les entrées très étroites ou très larges. Recadrez si nécessaire en conservant les libellés et le contexte requis par la question. Si une page comprend plusieurs zones sans rapport entre elles, identifiez la partie à examiner et le résultat à renvoyer. Une image lisible et ciblée est plus utile qu’une demande laissant le modèle deviner quel petit détail compte dans une page étendue.
Périmètre du contexte et de l’édition
Planifiez le texte, les images, la conversation et la réponse souhaitée en fonction du contexte configuré. Les notes d’utilisation permettent explicitement de réduire la longueur de modèle configurée lorsqu’un contexte plus court suffit ; la fenêtre complète n’est donc pas une instruction de remplir chaque requête avec tous les éléments disponibles. L’exemple de génération de 512 jetons de la fiche n’est qu’un exemple de réglage, et les sources consultées n’établissent pas de longueur maximale de réponse stricte distincte.
Le point de contrôle Instruct FP8, la publication Base préentraînée et la publication Reasoning sont des éditions séparées. Le fabricant cite aussi la spécialisation et l’ajustement fin parmi les usages. Préservez le point de contrôle nommé et son système de segmentation en jetons lors de la préparation de la conversation, et gardez la génération de texte distincte de l’accès au dépôt, de l’exécution de fonctions ou des autres actions fournies par l’application environnante.
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/ministral-8b-2512: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/ministral-8b-2512:batch, mistralai/ministral-8b-2512 | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites mistral | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00015 / 1K tokens Sortie · Tokens en sortie $0.00015 / 1K tokens Entrée · Lecture du cache $0.000015 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00015 / 1K tokens Sortie · Tokens en sortie $0.00015 / 1K tokens Entrée · Lecture du cache $0.000015 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/ministral-8b-2512: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/ministral-8b-2512:batch', 'mistralai/ministral-8b-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/ministral-8b-2512:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON results[].response.body intégré
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez l’intégralité du JSON de statut d’origine, chaque résultat/custom_id et le corps complet de la réponse ou de l’erreur. Enregistrez les results[] terminés au format JSONL sans filtrage.
Conservez l’identifiant de l’opération d’origine. La réponse 503 result_pending_check contient X-Should-Retry:false ; ne soumettez jamais à nouveau un lot d’origine dont l’issue est inconnue.
| Champ | Type |
|---|---|
Champresults[].custom_id | Typestring |
Champresults[].response.body.choices[].message.content | Typestring|null |
Champresults[].error | Typeobject|null |
Champusage | Typeobject|null |
Champid | Typestring |
Champmodel | Typestring |
Champendpoint | Typestring |
Champstatus | Typestring |
Champrequest_counts | Typeobject |
Champresults[].id | Typestring |
Champresults[].response.status_code | Typeinteger |
Champresults[].response.request_id | Typestring |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionEnveloppe intégrée documentée invalide, clés dupliquées, identité d’élément incorrecte ou conflit avec les capacités configurées du modèle. | Étape suivanteCorrigez les champs indiqués avant toute nouvelle soumission. |
Réponse401 · authentication_error | ConditionClé API invalide. | Étape suivanteUtilisez la clé Ailoot autorisée. |
Réponse403 · permission_error | ConditionGroupe de traitement par lots indisponible. | Étape suivanteVérifiez les droits d’accès de la clé/du groupe. |
Réponse422 · invalid_request_error | ConditionLe traitement par lots est facturé sur le solde ; la création via un abonnement est refusée. | Étape suivanteUtilisez le groupe autorisé dont la facturation est prélevée sur le solde. |
Réponse422 · price_unavailable | ConditionImpossible d’établir un devis pour les données d’entrée du traitement par lots. | Étape suivanteConservez la réponse ; utilisez les données d’entrée documentées pour cette famille. |
Réponse402 · billing_error | ConditionRéserve pour le traitement par lots indisponible. | Étape suivanteRéglez les conditions d’admission avant une nouvelle requête. |
Réponse503 · price_unavailable | ConditionPrix de la méthode Batch/tarifs natifs indisponibles. | Étape suivanteConservez la réponse ; ne substituez pas d’autres prix. |
Réponse503 · api_error | ConditionRoute exacte du fournisseur indisponible. | Étape suivanteConservez la réponse pour réparer la route. |
Réponse503 · result_pending_check | ConditionLe résultat d’origine nécessite une vérification ; X-Should-Retry:false. | Étape suivanteConservez l’operation_id/id d’origine et consultez son statut ; ne répétez jamais le POST d’origine. |
Réponse404 · not_found | ConditionOpération de suivi du traitement par lots absente ou appartenant à une autre identité. | Étape suivanteUtilisez l’id exact d’origine avec le même utilisateur, la même clé et le même groupe. |
Ailoot Ultra mistralai/ministral-8b-2512:batch
Utilisez les chemins de méthode indiqués ci-dessus.