Mistral Small 4 réunit suivi général d’instructions, raisonnement et programmation dans un seul modèle multimodal. Le fabricant le décrit comme une unification des familles Instruct, Magistral pour le raisonnement et Devstral pour la programmation. Il accepte du texte et des images et renvoie du texte, avec des appels de fonctions et une sortie JSON disponibles pour les applications assistées par outils.
Architecture et fonctions clés
La publication compte 119 milliards de paramètres au total et en active 6,5 milliards par jeton. Son architecture à mélange d’experts contient 128 experts, dont 4 actifs, et le fabricant documente une fenêtre de contexte de 256 k. Le nombre de paramètres actifs et d’experts décrit l’organisation du modèle ; ces valeurs se distinguent de la quantité de contenu textuel ou visuel comprise dans une tâche.
Le modèle fournit le suivi d’instructions et le raisonnement dans le même point de contrôle. Le fabricant indique aussi la vision, le respect des instructions système et 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. Une instruction textuelle peut donc poser une question sur une image ou associer une exigence écrite à des éléments visibles, avec une réponse renvoyée en texte.
Une tâche visuelle peut fournir une page de document et demander les valeurs pertinentes pour une condition nommée. Gardez les libellés et les unités lisibles et indiquez si le résultat doit préserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer une capture à l’objectif de l’utilisateur et demander la commande visible pertinente ainsi que les éléments qui étayent une prochaine étape proposée.
Choisir le mode d’instructions ou de raisonnement
La fiche publiée documente l’effort de raisonnement none pour une réponse immédiate de suivi d’instructions et high pour le raisonnement, high étant recommandé pour les instructions complexes. Le choix se fait par requête dans le même modèle Small 4. Une classification courante ou une courte réécriture peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou informatique nécessitant une explication développée.
Le fabricant recommande une température de 0.7 pour l’effort de raisonnement high. Pour none, il indique des températures comprises entre 0.0 et 0.7 selon la tâche. Ces réglages décrivent les modes documentés et ne font pas de l’effort de raisonnement une garantie de justesse. Définissez les hypothèses, la forme de sortie et les sources pertinentes avant de choisir la quantité de raisonnement nécessaire.
Pour un problème résolu en détail, fournissez l’énoncé complet et demandez les étapes justifiées importantes suivies de l’expression finale. Pour une tâche de code, fournissez l’exigence, la fonction concernée et une entrée concrète ; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations d’utilisation du fabricant comprennent le suivi d’instructions, un outil de calcul appliqué à une image et le raisonnement visuel, illustrant comment le texte et les éléments visuels peuvent alimenter ces tâches différentes.
Programmation, documents et outils
Le modèle est destiné à l’exploration de bases de code et aux agents de génie logiciel, aux assistants généraux, à la compréhension documentaire et à la recherche. Une demande à un agent de programmation peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez la source et les éléments de défaillance pertinents. Le modèle peut proposer la prochaine opération ou une modification de code, tandis que l’application fournit l’accès au dépôt, l’exécution et le retour d’information.
Pour l’extraction documentaire, identifiez les champs requis et la représentation des informations manquantes. Un enregistrement utile peut séparer l’identifiant du document, l’énoncé source, l’exigence interprétée et la question non résolue. La fiche de service du fabricant énumère la sortie structurée personnalisée et les questions sur documents ; ces dernières utilisent le traitement documentaire et l’OCR pour préparer le texte et la structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR doivent conserver leur propre préparation d’entrée.
Les appels de fonctions exigent des outils clairement décrits. Le modèle sélectionne une fonction et crée les arguments ; l’application exécute l’opération et renvoie le résultat pour la réponse suivante. La même logique s’applique à une recherche, un calcul ou une opération de programmation. Le formatage JSON organise une réponse, tandis qu’un appel d’outil demande une action externe ; les deux ne doivent pas être traités comme des résultats interchangeables.
La fiche de service énumère aussi les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites sont utiles lorsqu’un document ou un fichier de code doit être régénéré avec une seule modification limitée et que le reste du contenu est connu. Précisez la modification et les éléments à préserver. La continuation par préfixe utilise un début connu de réponse, tandis que le traitement par lots concerne la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.
Périmètre du contexte et de l’édition
Planifiez la tâche écrite, les éléments visuels, la conversation et la réponse souhaitée autour du contexte documenté de 256 k. L’exemple d’utilisation publié configure un contexte de 262’144 jetons, tandis que son exemple de génération de 1’024 jetons n’est pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de longueur de réponse à substituer à la longueur choisie pour la tâche.
Small 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit pas hériter de l’architecture dense 128B de Medium 3.5 ni des éditions Instruct et Reasoning séparées de Ministral 3. Le fabricant publie également des livrables de déploiement quantifiés et de décodage spéculatif distincts ; ce sont des livrables de déploiement séparés plutôt que des modalités de contenu différentes. Préservez la publication Small 4 nommée et le mode demandé pour l’explication, l’enregistrement structuré ou le résultat de code réel.
", "aboutText": "Mistral Small 4 réunit suivi général d’instructions, raisonnement et programmation dans un seul modèle multimodal. Le fabricant le décrit comme une unification des familles Instruct, Magistral pour le raisonnement et Devstral pour la programmation. Il accepte du texte et des images et renvoie du texte, avec des appels de fonctions et une sortie JSON disponibles pour les applications assistées par outils.\n\nArchitecture et fonctions clés\n\nLa publication compte 119 milliards de paramètres au total et en active 6,5 milliards par jeton. Son architecture à mélange d’experts contient 128 experts, dont 4 actifs, et le fabricant documente une fenêtre de contexte de 256 k. Le nombre de paramètres actifs et d’experts décrit l’organisation du modèle ; ces valeurs se distinguent de la quantité de contenu textuel ou visuel comprise dans une tâche.\n\nLe modèle fournit le suivi d’instructions et le raisonnement dans le même point de contrôle. Le fabricant indique aussi la vision, le respect des instructions système et 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. Une instruction textuelle peut donc poser une question sur une image ou associer une exigence écrite à des éléments visibles, avec une réponse renvoyée en texte.\n\nUne tâche visuelle peut fournir une page de document et demander les valeurs pertinentes pour une condition nommée. Gardez les libellés et les unités lisibles et indiquez si le résultat doit préserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer une capture à l’objectif de l’utilisateur et demander la commande visible pertinente ainsi que les éléments qui étayent une prochaine étape proposée.\n\nChoisir le mode d’instructions ou de raisonnement\n\nLa fiche publiée documente l’effort de raisonnement none pour une réponse immédiate de suivi d’instructions et high pour le raisonnement, high étant recommandé pour les instructions complexes. Le choix se fait par requête dans le même modèle Small 4. Une classification courante ou une courte réécriture peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou informatique nécessitant une explication développée.\n\nLe fabricant recommande une température de 0.7 pour l’effort de raisonnement high. Pour none, il indique des températures comprises entre 0.0 et 0.7 selon la tâche. Ces réglages décrivent les modes documentés et ne font pas de l’effort de raisonnement une garantie de justesse. Définissez les hypothèses, la forme de sortie et les sources pertinentes avant de choisir la quantité de raisonnement nécessaire.\n\nPour un problème résolu en détail, fournissez l’énoncé complet et demandez les étapes justifiées importantes suivies de l’expression finale. Pour une tâche de code, fournissez l’exigence, la fonction concernée et une entrée concrète ; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations d’utilisation du fabricant comprennent le suivi d’instructions, un outil de calcul appliqué à une image et le raisonnement visuel, illustrant comment le texte et les éléments visuels peuvent alimenter ces tâches différentes.\n\nProgrammation, documents et outils\n\nLe modèle est destiné à l’exploration de bases de code et aux agents de génie logiciel, aux assistants généraux, à la compréhension documentaire et à la recherche. Une demande à un agent de programmation peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez la source et les éléments de défaillance pertinents. Le modèle peut proposer la prochaine opération ou une modification de code, tandis que l’application fournit l’accès au dépôt, l’exécution et le retour d’information.\n\nPour l’extraction documentaire, identifiez les champs requis et la représentation des informations manquantes. Un enregistrement utile peut séparer l’identifiant du document, l’énoncé source, l’exigence interprétée et la question non résolue. La fiche de service du fabricant énumère la sortie structurée personnalisée et les questions sur documents ; ces dernières utilisent le traitement documentaire et l’OCR pour préparer le texte et la structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR doivent conserver leur propre préparation d’entrée.\n\nLes appels de fonctions exigent des outils clairement décrits. Le modèle sélectionne une fonction et crée les arguments ; l’application exécute l’opération et renvoie le résultat pour la réponse suivante. La même logique s’applique à une recherche, un calcul ou une opération de programmation. Le formatage JSON organise une réponse, tandis qu’un appel d’outil demande une action externe ; les deux ne doivent pas être traités comme des résultats interchangeables.\n\nLa fiche de service énumère aussi les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites sont utiles lorsqu’un document ou un fichier de code doit être régénéré avec une seule modification limitée et que le reste du contenu est connu. Précisez la modification et les éléments à préserver. La continuation par préfixe utilise un début connu de réponse, tandis que le traitement par lots concerne la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.\n\nPérimètre du contexte et de l’édition\n\nPlanifiez la tâche écrite, les éléments visuels, la conversation et la réponse souhaitée autour du contexte documenté de 256 k. L’exemple d’utilisation publié configure un contexte de 262’144 jetons, tandis que son exemple de génération de 1’024 jetons n’est pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de longueur de réponse à substituer à la longueur choisie pour la tâche.\n\nSmall 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit pas hériter de l’architecture dense 128B de Medium 3.5 ni des éditions Instruct et Reasoning séparées de Ministral 3. Le fabricant publie également des livrables de déploiement quantifiés et de décodage spéculatif distincts ; ce sont des livrables de déploiement séparés plutôt que des modalités de contenu différentes. Préservez la publication Small 4 nommée et le mode demandé pour l’explication, l’enregistrement structuré ou le résultat de code réel.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "75b8753a5578afe6cbc9b1a22b3ef83b6f3fa9d27c0da09ef450afe72ef6f3d0", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "mistralai/mistral-small-2603:batchMistral Small 4 est un modèle hybride traitant le texte et les images avec des capacités de suivi d’instructions, de raisonnement et de programmation. Sa publication à mélange d’experts de 119 milliards de paramètres en active 6,5 milliards par jeton et prend en charge un contexte fabricant de 256 k, un effort de raisonnement sélectionnable, JSON et les appels de fonctions.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Small 4 réunit suivi général d’instructions, raisonnement et programmation dans un seul modèle multimodal. Le fabricant le décrit comme une unification des familles Instruct, Magistral pour le raisonnement et Devstral pour la programmation. Il accepte du texte et des images et renvoie du texte, avec des appels de fonctions et une sortie JSON disponibles pour les applications assistées par outils.
Architecture et fonctions clés
La publication compte 119 milliards de paramètres au total et en active 6,5 milliards par jeton. Son architecture à mélange d’experts contient 128 experts, dont 4 actifs, et le fabricant documente une fenêtre de contexte de 256 k. Le nombre de paramètres actifs et d’experts décrit l’organisation du modèle ; ces valeurs se distinguent de la quantité de contenu textuel ou visuel comprise dans une tâche.
Le modèle fournit le suivi d’instructions et le raisonnement dans le même point de contrôle. Le fabricant indique aussi la vision, le respect des instructions système et 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. Une instruction textuelle peut donc poser une question sur une image ou associer une exigence écrite à des éléments visibles, avec une réponse renvoyée en texte.
Une tâche visuelle peut fournir une page de document et demander les valeurs pertinentes pour une condition nommée. Gardez les libellés et les unités lisibles et indiquez si le résultat doit préserver la formulation originale, la résumer ou la comparer à une autre source. Une tâche d’interface peut associer une capture à l’objectif de l’utilisateur et demander la commande visible pertinente ainsi que les éléments qui étayent une prochaine étape proposée.
Choisir le mode d’instructions ou de raisonnement
La fiche publiée documente l’effort de raisonnement none pour une réponse immédiate de suivi d’instructions et high pour le raisonnement, high étant recommandé pour les instructions complexes. Le choix se fait par requête dans le même modèle Small 4. Une classification courante ou une courte réécriture peut avoir un contrat de réponse différent d’un problème mathématique, visuel ou informatique nécessitant une explication développée.
Le fabricant recommande une température de 0.7 pour l’effort de raisonnement high. Pour none, il indique des températures comprises entre 0.0 et 0.7 selon la tâche. Ces réglages décrivent les modes documentés et ne font pas de l’effort de raisonnement une garantie de justesse. Définissez les hypothèses, la forme de sortie et les sources pertinentes avant de choisir la quantité de raisonnement nécessaire.
Pour un problème résolu en détail, fournissez l’énoncé complet et demandez les étapes justifiées importantes suivies de l’expression finale. Pour une tâche de code, fournissez l’exigence, la fonction concernée et une entrée concrète ; demandez l’implémentation proposée séparément de l’explication et des exemples. Les démonstrations d’utilisation du fabricant comprennent le suivi d’instructions, un outil de calcul appliqué à une image et le raisonnement visuel, illustrant comment le texte et les éléments visuels peuvent alimenter ces tâches différentes.
Programmation, documents et outils
Le modèle est destiné à l’exploration de bases de code et aux agents de génie logiciel, aux assistants généraux, à la compréhension documentaire et à la recherche. Une demande à un agent de programmation peut nommer le module à modifier, l’interface à préserver et le comportement attendu. Fournissez la source et les éléments de défaillance pertinents. Le modèle peut proposer la prochaine opération ou une modification de code, tandis que l’application fournit l’accès au dépôt, l’exécution et le retour d’information.
Pour l’extraction documentaire, identifiez les champs requis et la représentation des informations manquantes. Un enregistrement utile peut séparer l’identifiant du document, l’énoncé source, l’exigence interprétée et la question non résolue. La fiche de service du fabricant énumère la sortie structurée personnalisée et les questions sur documents ; ces dernières utilisent le traitement documentaire et l’OCR pour préparer le texte et la structure avant l’analyse linguistique. Une question directe sur image et un processus documentaire assisté par OCR doivent conserver leur propre préparation d’entrée.
Les appels de fonctions exigent des outils clairement décrits. Le modèle sélectionne une fonction et crée les arguments ; l’application exécute l’opération et renvoie le résultat pour la réponse suivante. La même logique s’applique à une recherche, un calcul ou une opération de programmation. Le formatage JSON organise une réponse, tandis qu’un appel d’outil demande une action externe ; les deux ne doivent pas être traités comme des résultats interchangeables.
La fiche de service énumère aussi les sorties prédites, les préfixes de réponse, le traitement par lots et les conversations d’agents. Les sorties prédites sont utiles lorsqu’un document ou un fichier de code doit être régénéré avec une seule modification limitée et que le reste du contenu est connu. Précisez la modification et les éléments à préserver. La continuation par préfixe utilise un début connu de réponse, tandis que le traitement par lots concerne la soumission du travail plutôt qu’un mode de raisonnement supplémentaire.
Périmètre du contexte et de l’édition
Planifiez la tâche écrite, les éléments visuels, la conversation et la réponse souhaitée autour du contexte documenté de 256 k. L’exemple d’utilisation publié configure un contexte de 262’144 jetons, tandis que son exemple de génération de 1’024 jetons n’est pas une capacité maximale de sortie distincte. Les sources consultées ne fournissent pas de limite stricte indépendante de longueur de réponse à substituer à la longueur choisie pour la tâche.
Small 4 possède sa propre architecture à mélange d’experts de 119 milliards de paramètres et ses modes hybrides. Il ne doit pas hériter de l’architecture dense 128B de Medium 3.5 ni des éditions Instruct et Reasoning séparées de Ministral 3. Le fabricant publie également des livrables de déploiement quantifiés et de décodage spéculatif distincts ; ce sont des livrables de déploiement séparés plutôt que des modalités de contenu différentes. Préservez la publication Small 4 nommée et le mode demandé pour l’explication, l’enregistrement structuré ou le résultat de code réel.
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-small-2603: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-small-2603:batch, mistralai/mistral-small-2603 | Par défaut— |
Champprovider.only | Typestring[] | ExigenceFacultatif | Valeurs et limites mistral | Par défaut— |
Champprovider.allow_fallbacks | Typeboolean|null | ExigenceFacultatif | Valeurs et limites false, null | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratendpoint, model, requests |
Paramètrematerial_types | Contrattext |
Paramètrerepresentation | Contratrequests[] intégré ; chaque élément comporte custom_id et body |
Paramètrerequest_endpoint_profile | Contrat/v1/chat/completions |
Paramètrefile_material | ContratL’appelant peut charger localement le contenu JSONL UTF-8 effectif dans requests[]. Aucun paramètre purpose de téléversement, input_file_id ni référence à un fichier n’est utilisé. Si les données du client sont absentes ou vides, la préparation s’arrête avant le POST. |
Paramètreserialization_order | Contratendpoint, model, provider (si fourni), completion_window (si fourni), requests en dernier |
Paramètreoptional_controls | Contratprovider.only, provider.allow_fallbacks, completion_window |
Paramètreschema_scope | ContratCorps de requêtes Chat Completions textuelles dans l’enveloppe Batch intégrée documentée. |
Cycle de vie : asynchronous
GET /v1/batches/{operation_id} · response.id effectivement renvoyé lors de la création d’origine ; même utilisateur, même clé et même groupe
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.000015 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00015 / 1K tokens Sortie · Tokens en sortie $0.0006 / 1K tokens Entrée · Lecture du cache $0.000015 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-small-2603: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-small-2603:batch', 'mistralai/mistral-small-2603']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-small-2603: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-small-2603:batch
Utilisez les chemins de méthode indiqués ci-dessus.