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": { "practical_html": "Exemple technique en anglais
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral 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/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-medium-3-5 | 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 $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 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 $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3-5", "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-medium-3-5',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-medium-3-5',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-medium-3-5
Utilisez les chemins de méthode indiqués ci-dessus.
mistralai/mistral-medium-3-5Mistral 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/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/mistral-medium-3-5 | 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 $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 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 $0.003 / 1K tokens Sortie · Tokens en sortie $0.015 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-3-5', '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-medium-3-5', '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-medium-3-5
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.