Mistral Large 3 2512 est l’édition de Mistral AI ajustée pour suivre des instructions, destinée à la conversation générale, à la compréhension visuelle et au travail en entreprise. Son architecture parcimonieuse à mélange d’experts compte 675 milliards de paramètres au total, dont 41 milliards actifs, et une fenêtre de contexte de 256 k. Le texte et les images peuvent contribuer à la même tâche, tandis que la réponse est du texte, du code ou un résultat structuré.
Capacités et préparation des entrées
Le modèle combine un composant linguistique et un encodeur visuel. Donnez un rôle clair à chaque image : page à lire, diagramme à interpréter ou écran à expliquer. Pour un écran chargé, fournissez un recadrage contenant les commandes pertinentes et conservez les libellés environnants nécessaires à leur compréhension. Mistral recommande des formes d’image proches du carré ; divisez une source exceptionnellement étroite ou large en zones utiles au lieu de réduire les détails importants à une bande illisible.
Le fabricant mentionne la conversation 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. Indiquez la langue de sortie, le lecteur visé et la terminologie à préserver. Pour un article d’assistance, demandez une explication localisée conservant les noms de produits, avec une courte liste de traductions incertaines à résoudre avant publication.
Documents longs et connaissances d’entreprise
Utilisez le contexte pour rassembler les éléments liés : texte de politique, spécification, décisions existantes et question à résoudre. Identifiez chaque source et sa révision. Une demande utile est : « Comparez ces trois politiques d’intégration. Renvoyez un tableau des exigences communes, des conflits et des questions sans réponse, avec la section source pour chaque constat. » Le livrable obtenu est une comparaison fondée sur les passages fournis plutôt qu’un résumé générique du sujet.
Pour une question documentaire, indiquez le niveau de détail souhaité et demandez le passage justificatif à côté de la conclusion. Le processus Document QnA de Mistral extrait d’abord le texte et la structure documentaire par OCR, puis utilise un modèle linguistique pour interpréter ces éléments. Préservez les numéros de page et les titres lors de la préparation du texte extrait afin que la réponse puisse renvoyer à l’original. Une URL de document, du texte extrait et des éléments visuels ont des exigences de préparation différentes ; choisissez la forme d’entrée prise en charge par l’application utilisée.
Programmation et assistance quotidienne
Mistral destine Large 3 à l’assistance en programmation ainsi qu’à la conversation courante. Fournissez les fonctions pertinentes, le comportement attendu et la défaillance observée. Par exemple : « Cet analyseur supprime le dernier champ lorsque l’entrée se termine sans saut de ligne. Expliquez la branche défaillante, proposez la modification minimale et renvoyez la fonction corrigée avec trois exemples représentatifs d’entrées et de sorties. » Le résultat utile est une modification proposée reliée au code réel et un ensemble de cas que le développeur peut exécuter.
Pour un brouillon professionnel, fournissez ensemble les faits et le livrable souhaité. Une demande de transformation de notes de réunion en note de décision doit nommer la décision, les options, les hypothèses non résolues et l’action suivante. Demandez au modèle de séparer les faits sources des recommandations et de signaler les informations manquantes dans la section appropriée. La sortie est alors plus facile à réviser qu’un récit indifférencié.
Outils et résultats structurés
Les appels de fonctions natifs permettent au modèle de choisir une fonction fournie et de préparer ses arguments. L’application exécute cette fonction et renvoie son résultat ; le modèle utilise ensuite les informations reçues dans la réponse. Gardez les outils spécifiques et exposez uniquement ceux nécessaires à la tâche. Un assistant de contrôle de stock peut recevoir une référence produit, demander une recherche de stock et expliquer la quantité et l’entrepôt renvoyés. Validez la fonction sélectionnée et les arguments avant d’exécuter la demande, et conservez la réponse de l’outil avec la réponse finale.
Pour l’extraction, précisez les champs, les types et le traitement des valeurs manquantes. Mistral documente le mode JSON et la sortie structurée personnalisée ; le mode JSON exige une instruction explicite de renvoyer JSON, tandis qu’un schéma personnalisé offre un contrôle plus fort du format. Un résumé de facture peut demander le fournisseur, le numéro de facture, l’échéance, la devise et les lignes de détail, avec une représentation cohérente des valeurs manquantes. Vérifiez les valeurs extraites dans le document, même lorsque la réponse respecte la structure demandée.
Réglages et différences entre éditions
Définissez le rôle, la tâche et les règles d’outils dans les instructions système. Mistral recommande une température inférieure à 0.1 pour la production et l’usage courant de ce point de contrôle, avec la possibilité d’explorer des valeurs plus élevées pour les tâches créatives. Séparez une demande d’idées variées d’une demande d’extraction reproductible : laissez à la première de la place pour des variantes et donnez à la seconde des champs explicites et des contraintes de source.
Cette édition de suivi d’instructions est distincte du point de contrôle de base Large 3 et des modèles dédiés au raisonnement. Le fabricant identifie le raisonnement strict et les travaux visuels spécialisés comme des domaines où un modèle conçu spécialement peut être préférable. Pour un calcul difficile, fournissez les hypothèses et les unités, demandez des vérifications intermédiaires et utilisez un outil de calcul disponible pour vérifier le résultat. Pour des éléments visuels denses, préparez des zones lisibles et comparez la réponse à la source avant de l’utiliser dans un rapport.
", "aboutText": "Mistral Large 3 2512 est l’édition de Mistral AI ajustée pour suivre des instructions, destinée à la conversation générale, à la compréhension visuelle et au travail en entreprise. Son architecture parcimonieuse à mélange d’experts compte 675 milliards de paramètres au total, dont 41 milliards actifs, et une fenêtre de contexte de 256 k. Le texte et les images peuvent contribuer à la même tâche, tandis que la réponse est du texte, du code ou un résultat structuré.\n\nCapacités et préparation des entrées\n\nLe modèle combine un composant linguistique et un encodeur visuel. Donnez un rôle clair à chaque image : page à lire, diagramme à interpréter ou écran à expliquer. Pour un écran chargé, fournissez un recadrage contenant les commandes pertinentes et conservez les libellés environnants nécessaires à leur compréhension. Mistral recommande des formes d’image proches du carré ; divisez une source exceptionnellement étroite ou large en zones utiles au lieu de réduire les détails importants à une bande illisible.\n\nLe fabricant mentionne la conversation 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. Indiquez la langue de sortie, le lecteur visé et la terminologie à préserver. Pour un article d’assistance, demandez une explication localisée conservant les noms de produits, avec une courte liste de traductions incertaines à résoudre avant publication.\n\nDocuments longs et connaissances d’entreprise\n\nUtilisez le contexte pour rassembler les éléments liés : texte de politique, spécification, décisions existantes et question à résoudre. Identifiez chaque source et sa révision. Une demande utile est : « Comparez ces trois politiques d’intégration. Renvoyez un tableau des exigences communes, des conflits et des questions sans réponse, avec la section source pour chaque constat. » Le livrable obtenu est une comparaison fondée sur les passages fournis plutôt qu’un résumé générique du sujet.\n\nPour une question documentaire, indiquez le niveau de détail souhaité et demandez le passage justificatif à côté de la conclusion. Le processus Document QnA de Mistral extrait d’abord le texte et la structure documentaire par OCR, puis utilise un modèle linguistique pour interpréter ces éléments. Préservez les numéros de page et les titres lors de la préparation du texte extrait afin que la réponse puisse renvoyer à l’original. Une URL de document, du texte extrait et des éléments visuels ont des exigences de préparation différentes ; choisissez la forme d’entrée prise en charge par l’application utilisée.\n\nProgrammation et assistance quotidienne\n\nMistral destine Large 3 à l’assistance en programmation ainsi qu’à la conversation courante. Fournissez les fonctions pertinentes, le comportement attendu et la défaillance observée. Par exemple : « Cet analyseur supprime le dernier champ lorsque l’entrée se termine sans saut de ligne. Expliquez la branche défaillante, proposez la modification minimale et renvoyez la fonction corrigée avec trois exemples représentatifs d’entrées et de sorties. » Le résultat utile est une modification proposée reliée au code réel et un ensemble de cas que le développeur peut exécuter.\n\nPour un brouillon professionnel, fournissez ensemble les faits et le livrable souhaité. Une demande de transformation de notes de réunion en note de décision doit nommer la décision, les options, les hypothèses non résolues et l’action suivante. Demandez au modèle de séparer les faits sources des recommandations et de signaler les informations manquantes dans la section appropriée. La sortie est alors plus facile à réviser qu’un récit indifférencié.\n\nOutils et résultats structurés\n\nLes appels de fonctions natifs permettent au modèle de choisir une fonction fournie et de préparer ses arguments. L’application exécute cette fonction et renvoie son résultat ; le modèle utilise ensuite les informations reçues dans la réponse. Gardez les outils spécifiques et exposez uniquement ceux nécessaires à la tâche. Un assistant de contrôle de stock peut recevoir une référence produit, demander une recherche de stock et expliquer la quantité et l’entrepôt renvoyés. Validez la fonction sélectionnée et les arguments avant d’exécuter la demande, et conservez la réponse de l’outil avec la réponse finale.\n\nPour l’extraction, précisez les champs, les types et le traitement des valeurs manquantes. Mistral documente le mode JSON et la sortie structurée personnalisée ; le mode JSON exige une instruction explicite de renvoyer JSON, tandis qu’un schéma personnalisé offre un contrôle plus fort du format. Un résumé de facture peut demander le fournisseur, le numéro de facture, l’échéance, la devise et les lignes de détail, avec une représentation cohérente des valeurs manquantes. Vérifiez les valeurs extraites dans le document, même lorsque la réponse respecte la structure demandée.\n\nRéglages et différences entre éditions\n\nDéfinissez le rôle, la tâche et les règles d’outils dans les instructions système. Mistral recommande une température inférieure à 0.1 pour la production et l’usage courant de ce point de contrôle, avec la possibilité d’explorer des valeurs plus élevées pour les tâches créatives. Séparez une demande d’idées variées d’une demande d’extraction reproductible : laissez à la première de la place pour des variantes et donnez à la seconde des champs explicites et des contraintes de source.\n\nCette édition de suivi d’instructions est distincte du point de contrôle de base Large 3 et des modèles dédiés au raisonnement. Le fabricant identifie le raisonnement strict et les travaux visuels spécialisés comme des domaines où un modèle conçu spécialement peut être préférable. Pour un calcul difficile, fournissez les hypothèses et les unités, demandez des vérifications intermédiaires et utilisez un outil de calcul disponible pour vérifier le résultat. Pour des éléments visuels denses, préparez des zones lisibles et comparez la réponse à la source avant de l’utiliser dans un rapport.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fa3015fcf3c8e99407219cbb5f38d44e098a9f1ea7424d600911d93de937c213", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "mistralai/mistral-large-2512:batchMistral Large 3 2512 est un modèle multilingue traitant le texte et les images pour les documents longs, les connaissances d’entreprise, la programmation et le travail assisté par outils. Son contexte de 256 k, ses appels de fonctions natifs et sa sortie structurée transforment les éléments fournis en réponses, enregistrements et actions proposées.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Large 3 2512 est l’édition de Mistral AI ajustée pour suivre des instructions, destinée à la conversation générale, à la compréhension visuelle et au travail en entreprise. Son architecture parcimonieuse à mélange d’experts compte 675 milliards de paramètres au total, dont 41 milliards actifs, et une fenêtre de contexte de 256 k. Le texte et les images peuvent contribuer à la même tâche, tandis que la réponse est du texte, du code ou un résultat structuré.
Capacités et préparation des entrées
Le modèle combine un composant linguistique et un encodeur visuel. Donnez un rôle clair à chaque image : page à lire, diagramme à interpréter ou écran à expliquer. Pour un écran chargé, fournissez un recadrage contenant les commandes pertinentes et conservez les libellés environnants nécessaires à leur compréhension. Mistral recommande des formes d’image proches du carré ; divisez une source exceptionnellement étroite ou large en zones utiles au lieu de réduire les détails importants à une bande illisible.
Le fabricant mentionne la conversation 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. Indiquez la langue de sortie, le lecteur visé et la terminologie à préserver. Pour un article d’assistance, demandez une explication localisée conservant les noms de produits, avec une courte liste de traductions incertaines à résoudre avant publication.
Documents longs et connaissances d’entreprise
Utilisez le contexte pour rassembler les éléments liés : texte de politique, spécification, décisions existantes et question à résoudre. Identifiez chaque source et sa révision. Une demande utile est : « Comparez ces trois politiques d’intégration. Renvoyez un tableau des exigences communes, des conflits et des questions sans réponse, avec la section source pour chaque constat. » Le livrable obtenu est une comparaison fondée sur les passages fournis plutôt qu’un résumé générique du sujet.
Pour une question documentaire, indiquez le niveau de détail souhaité et demandez le passage justificatif à côté de la conclusion. Le processus Document QnA de Mistral extrait d’abord le texte et la structure documentaire par OCR, puis utilise un modèle linguistique pour interpréter ces éléments. Préservez les numéros de page et les titres lors de la préparation du texte extrait afin que la réponse puisse renvoyer à l’original. Une URL de document, du texte extrait et des éléments visuels ont des exigences de préparation différentes ; choisissez la forme d’entrée prise en charge par l’application utilisée.
Programmation et assistance quotidienne
Mistral destine Large 3 à l’assistance en programmation ainsi qu’à la conversation courante. Fournissez les fonctions pertinentes, le comportement attendu et la défaillance observée. Par exemple : « Cet analyseur supprime le dernier champ lorsque l’entrée se termine sans saut de ligne. Expliquez la branche défaillante, proposez la modification minimale et renvoyez la fonction corrigée avec trois exemples représentatifs d’entrées et de sorties. » Le résultat utile est une modification proposée reliée au code réel et un ensemble de cas que le développeur peut exécuter.
Pour un brouillon professionnel, fournissez ensemble les faits et le livrable souhaité. Une demande de transformation de notes de réunion en note de décision doit nommer la décision, les options, les hypothèses non résolues et l’action suivante. Demandez au modèle de séparer les faits sources des recommandations et de signaler les informations manquantes dans la section appropriée. La sortie est alors plus facile à réviser qu’un récit indifférencié.
Outils et résultats structurés
Les appels de fonctions natifs permettent au modèle de choisir une fonction fournie et de préparer ses arguments. L’application exécute cette fonction et renvoie son résultat ; le modèle utilise ensuite les informations reçues dans la réponse. Gardez les outils spécifiques et exposez uniquement ceux nécessaires à la tâche. Un assistant de contrôle de stock peut recevoir une référence produit, demander une recherche de stock et expliquer la quantité et l’entrepôt renvoyés. Validez la fonction sélectionnée et les arguments avant d’exécuter la demande, et conservez la réponse de l’outil avec la réponse finale.
Pour l’extraction, précisez les champs, les types et le traitement des valeurs manquantes. Mistral documente le mode JSON et la sortie structurée personnalisée ; le mode JSON exige une instruction explicite de renvoyer JSON, tandis qu’un schéma personnalisé offre un contrôle plus fort du format. Un résumé de facture peut demander le fournisseur, le numéro de facture, l’échéance, la devise et les lignes de détail, avec une représentation cohérente des valeurs manquantes. Vérifiez les valeurs extraites dans le document, même lorsque la réponse respecte la structure demandée.
Réglages et différences entre éditions
Définissez le rôle, la tâche et les règles d’outils dans les instructions système. Mistral recommande une température inférieure à 0.1 pour la production et l’usage courant de ce point de contrôle, avec la possibilité d’explorer des valeurs plus élevées pour les tâches créatives. Séparez une demande d’idées variées d’une demande d’extraction reproductible : laissez à la première de la place pour des variantes et donnez à la seconde des champs explicites et des contraintes de source.
Cette édition de suivi d’instructions est distincte du point de contrôle de base Large 3 et des modèles dédiés au raisonnement. Le fabricant identifie le raisonnement strict et les travaux visuels spécialisés comme des domaines où un modèle conçu spécialement peut être préférable. Pour un calcul difficile, fournissez les hypothèses et les unités, demandez des vérifications intermédiaires et utilisez un outil de calcul disponible pour vérifier le résultat. Pour des éléments visuels denses, préparez des zones lisibles et comparez la réponse à la source avant de l’utiliser dans un rapport.
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-large-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/mistral-large-2512:batch, mistralai/mistral-large-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 $0.0005 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache $0.00005 / 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 $0.0005 / 1K tokens Sortie · Tokens en sortie $0.0015 / 1K tokens Entrée · Lecture du cache $0.00005 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-large-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/mistral-large-2512:batch', 'mistralai/mistral-large-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-large-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/mistral-large-2512:batch
Utilisez les chemins de méthode indiqués ci-dessus.