Mistral Medium 3.5 est le modèle dense de Mistral AI de 128 milliards de paramètres qui réunit suivi d’instructions, raisonnement et programmation dans un seul ensemble de poids. Il reçoit du texte et des images et renvoie du texte. Le fabricant le destine aux tâches agentiques et de programmation, tandis que le même point de contrôle peut produire une réponse conversationnelle directe ou utiliser son mode de raisonnement documenté pour une tâche plus complexe.
Modèle unifié et capacités visuelles
La fiche publiée indique 128 milliards de paramètres denses et une fenêtre de contexte de 256 k. Son encodeur visuel est entraîné pour traiter différentes tailles et proportions d’image. Les images peuvent apporter des éléments à une tâche de programmation ou documentaire : capture d’une interface, diagramme accompagnant une exigence ou page contenant des informations que le modèle doit interpréter. Le résultat peut être une explication écrite, du code ou des champs structurés plutôt qu’une image générée.
Le fabricant décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne aussi le respect des instructions système et les appels de fonctions natifs avec sortie JSON. Définissez le public, la langue et les règles de réponse séparément des éléments examinés, afin que la formulation d’un document source reste un élément probant pour la tâche.
Réglages du raisonnement
La fiche documente deux valeurs d’effort de raisonnement par requête. La valeur none produit une réponse suivant les instructions sans mode de raisonnement ; high active le raisonnement et est recommandé pour les instructions complexes et la programmation agentique. Il s’agit d’un choix de mode dans le même point de contrôle Medium 3.5, et non d’une identité de modèle différente.
Pour un effort de raisonnement high, le fabricant recommande une température de 0.7 et top-p à 0.95. Pour none, il documente des températures comprises entre 0.0 et 0.7 selon la tâche et laisse top-p non défini ou à 1.0. Ce sont des recommandations de cette publication. Choisissez d’abord la finalité de la sortie : extraction concise de champs, modification de code avec explication ou comparaison nécessitant plusieurs décisions justifiées.
Une tâche de raisonnement pratique peut fournir une exigence, son implémentation et l’entrée qui révèle un écart. Demandez au modèle d’identifier le chemin pertinent, d’expliquer la différence et de proposer la modification minimale préservant l’interface publique. Demandez le code révisé séparément des hypothèses et des exemples. Le modèle génère une proposition ; la compiler, l’exécuter et l’appliquer nécessite l’environnement de développement connecté à l’agent.
Outils, documents et modifications prévisibles
La fiche de service du fabricant énumère aussi les sorties structurées, les sorties prédites, les questions sur documents, les préfixes de réponse, le traitement par lots et les conversations d’agents. Pour l’extraction, définissez les noms de champs, les types et le traitement des valeurs manquantes. Le mode JSON fournit une représentation structurée, tandis qu’un schéma personnalisé définit une forme plus précise dans l’interface connectée. Demandez uniquement l’enregistrement lorsqu’un programme doit l’analyser, et une explication séparée lorsqu’une personne doit examiner l’interprétation.
Les questions sur documents associent le texte et la structure préparés par OCR à la compréhension du modèle linguistique. Pour une comparaison, identifiez les documents et la condition à évaluer, puis demandez chaque constat avec son emplacement source. Une sortie utile peut séparer les exigences communes, les désaccords et les questions ouvertes. Les questions directes sur image peuvent cibler le libellé d’un graphique ou un élément d’interface ; préserver les titres, les unités et les rôles des images aide à relier la réponse aux éléments fournis.
Les sorties prédites sont documentées pour les tâches où une grande partie de la réponse souhaitée est déjà connue, comme la régénération d’un fichier de code ou d’un document avec des modifications limitées. Fournissez le contenu existant et identifiez la modification précise, en préservant les parties qui doivent rester. Cela diffère de la création d’un livrable entièrement nouveau ou de la continuation depuis un préfixe de réponse connu. Les fonctions de service décrivent des options de soumission et de mise en forme ; elles ne changent pas les entrées textuelles et visuelles ni la sortie textuelle du modèle.
Dans un processus assisté par outils, l’application fournit les descriptions de fonctions et leurs paramètres, le modèle choisit une fonction et prépare les arguments, puis l’application l’exécute et renvoie le résultat. Un outil de calcul peut recevoir des valeurs lues dans une image fournie, tandis qu’un outil de recherche peut fournir les informations manquantes pour la réponse suivante. Gardez le résultat d’outil associé à l’opération qui l’a produit. Le raisonnement agentique repose sur cet environnement, plutôt que sur une génération de texte qui effectuerait seule des actions externes.
Préparer de longues sessions
Utilisez le contexte de 256 k pour le code source, les documents et l’historique de conversation liés, et gardez l’objectif réel explicite. Une session de programmation peut conserver le module, son appelant et les exigences tout en demandant une seule modification définie. Une session documentaire peut garder ensemble les sections pertinentes tout en renvoyant un tableau court ou un passage révisé. La capacité de contexte ne précise pas une longueur maximale de réponse distincte ; l’exemple de génération de 1’024 jetons de la fiche est une illustration, pas cette limite.
Le fabricant signale qu’une ancienne configuration publiée contenait une erreur de contexte long et qu’elle a été corrigée, y compris pour les points de contrôle dérivés. Préservez la configuration corrigée de la publication lorsque vous utilisez les poids pour de longues sessions. Les modes hybrides de Medium 3.5 et son architecture 128B ne doivent pas être attribués à Medium 3.1 ou à un point de contrôle « draft-head » nommé séparément au seul motif qu’ils partagent un nom de famille.
", "aboutText": "Mistral Medium 3.5 est le modèle dense de Mistral AI de 128 milliards de paramètres qui réunit suivi d’instructions, raisonnement et programmation dans un seul ensemble de poids. Il reçoit du texte et des images et renvoie du texte. Le fabricant le destine aux tâches agentiques et de programmation, tandis que le même point de contrôle peut produire une réponse conversationnelle directe ou utiliser son mode de raisonnement documenté pour une tâche plus complexe.\n\nModèle unifié et capacités visuelles\n\nLa fiche publiée indique 128 milliards de paramètres denses et une fenêtre de contexte de 256 k. Son encodeur visuel est entraîné pour traiter différentes tailles et proportions d’image. Les images peuvent apporter des éléments à une tâche de programmation ou documentaire : capture d’une interface, diagramme accompagnant une exigence ou page contenant des informations que le modèle doit interpréter. Le résultat peut être une explication écrite, du code ou des champs structurés plutôt qu’une image générée.\n\nLe fabricant décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne aussi le respect des instructions système et les appels de fonctions natifs avec sortie JSON. Définissez le public, la langue et les règles de réponse séparément des éléments examinés, afin que la formulation d’un document source reste un élément probant pour la tâche.\n\nRéglages du raisonnement\n\nLa fiche documente deux valeurs d’effort de raisonnement par requête. La valeur none produit une réponse suivant les instructions sans mode de raisonnement ; high active le raisonnement et est recommandé pour les instructions complexes et la programmation agentique. Il s’agit d’un choix de mode dans le même point de contrôle Medium 3.5, et non d’une identité de modèle différente.\n\nPour un effort de raisonnement high, le fabricant recommande une température de 0.7 et top-p à 0.95. Pour none, il documente des températures comprises entre 0.0 et 0.7 selon la tâche et laisse top-p non défini ou à 1.0. Ce sont des recommandations de cette publication. Choisissez d’abord la finalité de la sortie : extraction concise de champs, modification de code avec explication ou comparaison nécessitant plusieurs décisions justifiées.\n\nUne tâche de raisonnement pratique peut fournir une exigence, son implémentation et l’entrée qui révèle un écart. Demandez au modèle d’identifier le chemin pertinent, d’expliquer la différence et de proposer la modification minimale préservant l’interface publique. Demandez le code révisé séparément des hypothèses et des exemples. Le modèle génère une proposition ; la compiler, l’exécuter et l’appliquer nécessite l’environnement de développement connecté à l’agent.\n\nOutils, documents et modifications prévisibles\n\nLa fiche de service du fabricant énumère aussi les sorties structurées, les sorties prédites, les questions sur documents, les préfixes de réponse, le traitement par lots et les conversations d’agents. Pour l’extraction, définissez les noms de champs, les types et le traitement des valeurs manquantes. Le mode JSON fournit une représentation structurée, tandis qu’un schéma personnalisé définit une forme plus précise dans l’interface connectée. Demandez uniquement l’enregistrement lorsqu’un programme doit l’analyser, et une explication séparée lorsqu’une personne doit examiner l’interprétation.\n\nLes questions sur documents associent le texte et la structure préparés par OCR à la compréhension du modèle linguistique. Pour une comparaison, identifiez les documents et la condition à évaluer, puis demandez chaque constat avec son emplacement source. Une sortie utile peut séparer les exigences communes, les désaccords et les questions ouvertes. Les questions directes sur image peuvent cibler le libellé d’un graphique ou un élément d’interface ; préserver les titres, les unités et les rôles des images aide à relier la réponse aux éléments fournis.\n\nLes sorties prédites sont documentées pour les tâches où une grande partie de la réponse souhaitée est déjà connue, comme la régénération d’un fichier de code ou d’un document avec des modifications limitées. Fournissez le contenu existant et identifiez la modification précise, en préservant les parties qui doivent rester. Cela diffère de la création d’un livrable entièrement nouveau ou de la continuation depuis un préfixe de réponse connu. Les fonctions de service décrivent des options de soumission et de mise en forme ; elles ne changent pas les entrées textuelles et visuelles ni la sortie textuelle du modèle.\n\nDans un processus assisté par outils, l’application fournit les descriptions de fonctions et leurs paramètres, le modèle choisit une fonction et prépare les arguments, puis l’application l’exécute et renvoie le résultat. Un outil de calcul peut recevoir des valeurs lues dans une image fournie, tandis qu’un outil de recherche peut fournir les informations manquantes pour la réponse suivante. Gardez le résultat d’outil associé à l’opération qui l’a produit. Le raisonnement agentique repose sur cet environnement, plutôt que sur une génération de texte qui effectuerait seule des actions externes.\n\nPréparer de longues sessions\n\nUtilisez le contexte de 256 k pour le code source, les documents et l’historique de conversation liés, et gardez l’objectif réel explicite. Une session de programmation peut conserver le module, son appelant et les exigences tout en demandant une seule modification définie. Une session documentaire peut garder ensemble les sections pertinentes tout en renvoyant un tableau court ou un passage révisé. La capacité de contexte ne précise pas une longueur maximale de réponse distincte ; l’exemple de génération de 1’024 jetons de la fiche est une illustration, pas cette limite.\n\nLe fabricant signale qu’une ancienne configuration publiée contenait une erreur de contexte long et qu’elle a été corrigée, y compris pour les points de contrôle dérivés. Préservez la configuration corrigée de la publication lorsque vous utilisez les poids pour de longues sessions. Les modes hybrides de Medium 3.5 et son architecture 128B ne doivent pas être attribués à Medium 3.1 ou à un point de contrôle « draft-head » nommé séparément au seul motif qu’ils partagent un nom de famille.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a26bffc65d9aca072d38ba4df8e2e5d10ef269f7d2f3dd269e05fb334273a997", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "mistralai/mistral-medium-3-5:batchMistral Medium 3.5 associe suivi d’instructions, raisonnement et programmation dans un modèle dense de 128 milliards de paramètres traitant le texte et les images. Il dispose d’un contexte fabricant de 256 k, de réglages de raisonnement par requête, d’appels de fonctions natifs et de sorties structurées pour les processus documentaires et agentiques.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Medium 3.5 est le modèle dense de Mistral AI de 128 milliards de paramètres qui réunit suivi d’instructions, raisonnement et programmation dans un seul ensemble de poids. Il reçoit du texte et des images et renvoie du texte. Le fabricant le destine aux tâches agentiques et de programmation, tandis que le même point de contrôle peut produire une réponse conversationnelle directe ou utiliser son mode de raisonnement documenté pour une tâche plus complexe.
Modèle unifié et capacités visuelles
La fiche publiée indique 128 milliards de paramètres denses et une fenêtre de contexte de 256 k. Son encodeur visuel est entraîné pour traiter différentes tailles et proportions d’image. Les images peuvent apporter des éléments à une tâche de programmation ou documentaire : capture d’une interface, diagramme accompagnant une exigence ou page contenant des informations que le modèle doit interpréter. Le résultat peut être une explication écrite, du code ou des champs structurés plutôt qu’une image générée.
Le fabricant décrit la prise en charge de dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il souligne aussi le respect des instructions système et les appels de fonctions natifs avec sortie JSON. Définissez le public, la langue et les règles de réponse séparément des éléments examinés, afin que la formulation d’un document source reste un élément probant pour la tâche.
Réglages du raisonnement
La fiche documente deux valeurs d’effort de raisonnement par requête. La valeur none produit une réponse suivant les instructions sans mode de raisonnement ; high active le raisonnement et est recommandé pour les instructions complexes et la programmation agentique. Il s’agit d’un choix de mode dans le même point de contrôle Medium 3.5, et non d’une identité de modèle différente.
Pour un effort de raisonnement high, le fabricant recommande une température de 0.7 et top-p à 0.95. Pour none, il documente des températures comprises entre 0.0 et 0.7 selon la tâche et laisse top-p non défini ou à 1.0. Ce sont des recommandations de cette publication. Choisissez d’abord la finalité de la sortie : extraction concise de champs, modification de code avec explication ou comparaison nécessitant plusieurs décisions justifiées.
Une tâche de raisonnement pratique peut fournir une exigence, son implémentation et l’entrée qui révèle un écart. Demandez au modèle d’identifier le chemin pertinent, d’expliquer la différence et de proposer la modification minimale préservant l’interface publique. Demandez le code révisé séparément des hypothèses et des exemples. Le modèle génère une proposition ; la compiler, l’exécuter et l’appliquer nécessite l’environnement de développement connecté à l’agent.
Outils, documents et modifications prévisibles
La fiche de service du fabricant énumère aussi les sorties structurées, les sorties prédites, les questions sur documents, les préfixes de réponse, le traitement par lots et les conversations d’agents. Pour l’extraction, définissez les noms de champs, les types et le traitement des valeurs manquantes. Le mode JSON fournit une représentation structurée, tandis qu’un schéma personnalisé définit une forme plus précise dans l’interface connectée. Demandez uniquement l’enregistrement lorsqu’un programme doit l’analyser, et une explication séparée lorsqu’une personne doit examiner l’interprétation.
Les questions sur documents associent le texte et la structure préparés par OCR à la compréhension du modèle linguistique. Pour une comparaison, identifiez les documents et la condition à évaluer, puis demandez chaque constat avec son emplacement source. Une sortie utile peut séparer les exigences communes, les désaccords et les questions ouvertes. Les questions directes sur image peuvent cibler le libellé d’un graphique ou un élément d’interface ; préserver les titres, les unités et les rôles des images aide à relier la réponse aux éléments fournis.
Les sorties prédites sont documentées pour les tâches où une grande partie de la réponse souhaitée est déjà connue, comme la régénération d’un fichier de code ou d’un document avec des modifications limitées. Fournissez le contenu existant et identifiez la modification précise, en préservant les parties qui doivent rester. Cela diffère de la création d’un livrable entièrement nouveau ou de la continuation depuis un préfixe de réponse connu. Les fonctions de service décrivent des options de soumission et de mise en forme ; elles ne changent pas les entrées textuelles et visuelles ni la sortie textuelle du modèle.
Dans un processus assisté par outils, l’application fournit les descriptions de fonctions et leurs paramètres, le modèle choisit une fonction et prépare les arguments, puis l’application l’exécute et renvoie le résultat. Un outil de calcul peut recevoir des valeurs lues dans une image fournie, tandis qu’un outil de recherche peut fournir les informations manquantes pour la réponse suivante. Gardez le résultat d’outil associé à l’opération qui l’a produit. Le raisonnement agentique repose sur cet environnement, plutôt que sur une génération de texte qui effectuerait seule des actions externes.
Préparer de longues sessions
Utilisez le contexte de 256 k pour le code source, les documents et l’historique de conversation liés, et gardez l’objectif réel explicite. Une session de programmation peut conserver le module, son appelant et les exigences tout en demandant une seule modification définie. Une session documentaire peut garder ensemble les sections pertinentes tout en renvoyant un tableau court ou un passage révisé. La capacité de contexte ne précise pas une longueur maximale de réponse distincte ; l’exemple de génération de 1’024 jetons de la fiche est une illustration, pas cette limite.
Le fabricant signale qu’une ancienne configuration publiée contenait une erreur de contexte long et qu’elle a été corrigée, y compris pour les points de contrôle dérivés. Préservez la configuration corrigée de la publication lorsque vous utilisez les poids pour de longues sessions. Les modes hybrides de Medium 3.5 et son architecture 128B ne doivent pas être attribués à Medium 3.1 ou à un point de contrôle « draft-head » nommé séparément au seul motif qu’ils partagent un nom de famille.
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-medium-3-5: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-medium-3-5:batch, mistralai/mistral-medium-3-5 | 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 $0.0015 / 1K tokens Sortie · Tokens en sortie $0.0075 / 1K tokens Entrée · Lecture du cache — / 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 $0.0015 / 1K tokens Sortie · Tokens en sortie $0.0075 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-medium-3-5: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-medium-3-5:batch', 'mistralai/mistral-medium-3-5']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3-5: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-medium-3-5:batch
Utilisez les chemins de méthode indiqués ci-dessus.