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": { "practical_html": "Exemple technique en anglais
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral 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/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-large-2512 | 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’identifiant 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: outil de fonction fourni | 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 rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | 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 sous forme de texte littéral ; aucun identifiant 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’identifiant 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/objets 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 | 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 $0.0022 / 1K tokens Sortie · Tokens en sortie $0.0066 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache $0 / 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 $0.0022 / 1K tokens Sortie · Tokens en sortie $0.0066 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-2512',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, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mistralai/mistral-large-2512
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-large-2512Mistral 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/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-large-2512 | 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 | 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 $0.0022 / 1K tokens Sortie · Tokens en sortie $0.0066 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache $0 / 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 $0.0022 / 1K tokens Sortie · Tokens en sortie $0.0066 / 1K tokens Entrée · Lecture du cache $0.0001 / 1K tokens Entrée · Écriture dans le cache $0 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2512', '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 identifiants 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 identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles 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 contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra mistralai/mistral-large-2512
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.