Mistral Medium 3.1 est une édition multimodale de Mistral AI pour la compréhension textuelle et visuelle. Le fabricant décrit cette révision comme améliorant le ton et les performances au sein de la lignée Medium 3. Elle accepte du texte et des images et produit du texte : explication, réponse documentaire, enregistrement structuré ou proposition d’appel de fonction. L’identifiant fixe du fabricant pour cette édition est mistral-medium-2508.
Contexte et édition précise
La page du modèle documente une fenêtre de contexte de 128k. Utilisez-la pour réunir passages sources liés, éléments visuels, conversation et tâche utilisateur. Identifiez les rôles des documents et la question à résoudre avant de fournir un ensemble volumineux. Un contexte long peut accompagner une comparaison ciblée, tandis que le livrable final reste un court tableau ou une section révisée.
Medium 3.1 conserve ses propres spécifications. Le contexte de 256k, l’architecture dense de 128 milliards de paramètres et les modes configurables de raisonnement hybride décrits pour Medium 3.5 ne doivent pas être attribués à cette entrée. La page 3.1 ne fournit ni nombre de paramètres ni chiffre séparé de longueur maximale de réponse pouvant être remplacés sans risque par ceux du modèle ultérieur.
Sortie structurée et fonctions
Le fabricant mentionne les sorties structurées, les appels de fonctions et les sorties prédites parmi les fonctions de cette édition. Pour une extraction structurée, définissez les champs requis, les types attendus et le traitement des informations absentes de la source. Un enregistrement peut contenir l’identifiant documentaire, l’énoncé extrait, son emplacement source et la question restante. Demandez uniquement l’enregistrement lorsqu’un programme doit l’analyser, ou gardez l’explication en prose séparée lorsqu’une personne doit examiner l’interprétation.
La documentation commune de Mistral sur les sorties structurées distingue le mode JSON d’un schéma personnalisé. Le mode JSON exige une instruction explicite sur le format JSON souhaité, tandis que l’option personnalisée définit une structure plus précise. Il s’agit du formatage du résultat textuel, et non d’une nouvelle modalité de contenu ou d’une action externe.
Pour les fonctions, l’application définit l’opération disponible et les arguments, le modèle sélectionne l’appel approprié et prépare les valeurs, puis l’application l’exécute. Son résultat devient ensuite une information pour la réponse suivante. Un assistant documentaire peut utiliser une recherche pour obtenir une référence manquante, mais uniquement si l’application environnante fournit cette recherche et en renvoie le résultat réel. Gardez l’appel proposé et les données retournées associés.
Modifications prédites et préfixes de réponse
Les sorties prédites servent lorsqu’une grande partie du résultat souhaité est déjà connue, comme un document ou fichier de code nécessitant une modification limitée. Fournissez le contenu existant et décrivez précisément le changement, y compris ce qui doit rester inchangé. Une requête peut actualiser la terminologie d’une section ou remplacer un détail d’implémentation tout en préservant le reste du document. La prédiction contient le contenu de sortie attendu, et non une modification achevée et appliquée à un fichier.
La page du modèle mentionne aussi la continuation par préfixe de réponse. Dans la documentation de dialogue du fabricant, un préfixe fournit un début connu à la réponse de l’assistant, après lequel la génération se poursuit. Un début connu et un corps prédit répondent à des besoins de préparation différents. Le traitement par lots et les interfaces d’agent ou de conversation sont également des fonctions de processus, plutôt que des éditions séparées d’image, d’audio ou de raisonnement de Medium 3.1.
Questions documentaires et visuelles
Le processus documentaire QnA mentionné associe texte, structure et formatage préparés par OCR à l’analyse du modèle linguistique. Interrogez le modèle sur la condition, le passage ou la relation précise nécessaire à la tâche. Une comparaison peut identifier les documents sources et demander les affirmations communes, les conflits et les détails non résolus, en conservant l’emplacement source à côté de chaque constat.
Le guide de vision du fabricant inclut explicitement Medium 3.1. Une question visuelle directe peut fournir un graphique lisible, une image documentaire ou une capture d’écran et demander quels éléments visibles étayent une conclusion. Préservez axes, unités, libellés et contexte autour d’un champ recadré. Si plusieurs images sont fournies, identifiez leur ordre et leur rôle plutôt que de laisser le modèle déduire laquelle est l’original, la révision ou la référence.
Par exemple, associez une exigence écrite de processus à une capture d’écran et demandez un tableau des correspondances visibles, des différences et des questions nécessitant davantage d’informations. Une autre tâche peut fournir deux versions d’un document et demander un passage révisé préservant leurs conditions communes tout en résolvant une incohérence nommée. Il s’agit d’applications proposées des capacités documentées de vision, de documentation et d’édition, avec un résultat requis défini à l’avance.
Préparer le livrable final
Donnez à l’assistant un rôle clair, les sources à utiliser et la forme de réponse. Séparez les règles de réponse durables du document examiné, et indiquez la langue finale et la terminologie. Une réponse utile peut séparer un fait extrait, sa source et une interprétation, ce qui la rend plus facile à examiner qu’un résumé unique les fusionnant.
Le résultat documenté reste textuel. Les outils externes, les modifications de fichiers et le traitement documentaire complémentaire relèvent de l’application connectée à la conversation. Préservez l’édition Medium 3.1 nommée et son contexte de 128k, et demandez l’explication, l’enregistrement structuré ou la révision ciblée réellement nécessaires à la suite.
", "aboutText": "Mistral Medium 3.1 est une édition multimodale de Mistral AI pour la compréhension textuelle et visuelle. Le fabricant décrit cette révision comme améliorant le ton et les performances au sein de la lignée Medium 3. Elle accepte du texte et des images et produit du texte : explication, réponse documentaire, enregistrement structuré ou proposition d’appel de fonction. L’identifiant fixe du fabricant pour cette édition est mistral-medium-2508.\n\nContexte et édition précise\n\nLa page du modèle documente une fenêtre de contexte de 128k. Utilisez-la pour réunir passages sources liés, éléments visuels, conversation et tâche utilisateur. Identifiez les rôles des documents et la question à résoudre avant de fournir un ensemble volumineux. Un contexte long peut accompagner une comparaison ciblée, tandis que le livrable final reste un court tableau ou une section révisée.\n\nMedium 3.1 conserve ses propres spécifications. Le contexte de 256k, l’architecture dense de 128 milliards de paramètres et les modes configurables de raisonnement hybride décrits pour Medium 3.5 ne doivent pas être attribués à cette entrée. La page 3.1 ne fournit ni nombre de paramètres ni chiffre séparé de longueur maximale de réponse pouvant être remplacés sans risque par ceux du modèle ultérieur.\n\nSortie structurée et fonctions\n\nLe fabricant mentionne les sorties structurées, les appels de fonctions et les sorties prédites parmi les fonctions de cette édition. Pour une extraction structurée, définissez les champs requis, les types attendus et le traitement des informations absentes de la source. Un enregistrement peut contenir l’identifiant documentaire, l’énoncé extrait, son emplacement source et la question restante. Demandez uniquement l’enregistrement lorsqu’un programme doit l’analyser, ou gardez l’explication en prose séparée lorsqu’une personne doit examiner l’interprétation.\n\nLa documentation commune de Mistral sur les sorties structurées distingue le mode JSON d’un schéma personnalisé. Le mode JSON exige une instruction explicite sur le format JSON souhaité, tandis que l’option personnalisée définit une structure plus précise. Il s’agit du formatage du résultat textuel, et non d’une nouvelle modalité de contenu ou d’une action externe.\n\nPour les fonctions, l’application définit l’opération disponible et les arguments, le modèle sélectionne l’appel approprié et prépare les valeurs, puis l’application l’exécute. Son résultat devient ensuite une information pour la réponse suivante. Un assistant documentaire peut utiliser une recherche pour obtenir une référence manquante, mais uniquement si l’application environnante fournit cette recherche et en renvoie le résultat réel. Gardez l’appel proposé et les données retournées associés.\n\nModifications prédites et préfixes de réponse\n\nLes sorties prédites servent lorsqu’une grande partie du résultat souhaité est déjà connue, comme un document ou fichier de code nécessitant une modification limitée. Fournissez le contenu existant et décrivez précisément le changement, y compris ce qui doit rester inchangé. Une requête peut actualiser la terminologie d’une section ou remplacer un détail d’implémentation tout en préservant le reste du document. La prédiction contient le contenu de sortie attendu, et non une modification achevée et appliquée à un fichier.\n\nLa page du modèle mentionne aussi la continuation par préfixe de réponse. Dans la documentation de dialogue du fabricant, un préfixe fournit un début connu à la réponse de l’assistant, après lequel la génération se poursuit. Un début connu et un corps prédit répondent à des besoins de préparation différents. Le traitement par lots et les interfaces d’agent ou de conversation sont également des fonctions de processus, plutôt que des éditions séparées d’image, d’audio ou de raisonnement de Medium 3.1.\n\nQuestions documentaires et visuelles\n\nLe processus documentaire QnA mentionné associe texte, structure et formatage préparés par OCR à l’analyse du modèle linguistique. Interrogez le modèle sur la condition, le passage ou la relation précise nécessaire à la tâche. Une comparaison peut identifier les documents sources et demander les affirmations communes, les conflits et les détails non résolus, en conservant l’emplacement source à côté de chaque constat.\n\nLe guide de vision du fabricant inclut explicitement Medium 3.1. Une question visuelle directe peut fournir un graphique lisible, une image documentaire ou une capture d’écran et demander quels éléments visibles étayent une conclusion. Préservez axes, unités, libellés et contexte autour d’un champ recadré. Si plusieurs images sont fournies, identifiez leur ordre et leur rôle plutôt que de laisser le modèle déduire laquelle est l’original, la révision ou la référence.\n\nPar exemple, associez une exigence écrite de processus à une capture d’écran et demandez un tableau des correspondances visibles, des différences et des questions nécessitant davantage d’informations. Une autre tâche peut fournir deux versions d’un document et demander un passage révisé préservant leurs conditions communes tout en résolvant une incohérence nommée. Il s’agit d’applications proposées des capacités documentées de vision, de documentation et d’édition, avec un résultat requis défini à l’avance.\n\nPréparer le livrable final\n\nDonnez à l’assistant un rôle clair, les sources à utiliser et la forme de réponse. Séparez les règles de réponse durables du document examiné, et indiquez la langue finale et la terminologie. Une réponse utile peut séparer un fait extrait, sa source et une interprétation, ce qui la rend plus facile à examiner qu’un résumé unique les fusionnant.\n\nLe résultat documenté reste textuel. Les outils externes, les modifications de fichiers et le traitement documentaire complémentaire relèvent de l’application connectée à la conversation. Préservez l’édition Medium 3.1 nommée et son contexte de 128k, et demandez l’explication, l’enregistrement structuré ou la révision ciblée réellement nécessaires à la suite.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "763d0f1cfe2c626243fd44000d237750fba7a4fcefdf607e16709c2cf83218a3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "mistralai/mistral-medium-3.1:batchMistral Medium 3.1 est un modèle de texte et d’image pour les réponses conversationnelles, les questions sur documents et l’extraction structurée. Son contexte de 128k annoncé par le fabricant et ses fonctions mentionnées d’appels de fonctions, de sorties prédites et de préfixes accompagnent les explications fondées sur des sources et les processus d’édition ciblée.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Mistral Medium 3.1 est une édition multimodale de Mistral AI pour la compréhension textuelle et visuelle. Le fabricant décrit cette révision comme améliorant le ton et les performances au sein de la lignée Medium 3. Elle accepte du texte et des images et produit du texte : explication, réponse documentaire, enregistrement structuré ou proposition d’appel de fonction. L’identifiant fixe du fabricant pour cette édition est mistral-medium-2508.
Contexte et édition précise
La page du modèle documente une fenêtre de contexte de 128k. Utilisez-la pour réunir passages sources liés, éléments visuels, conversation et tâche utilisateur. Identifiez les rôles des documents et la question à résoudre avant de fournir un ensemble volumineux. Un contexte long peut accompagner une comparaison ciblée, tandis que le livrable final reste un court tableau ou une section révisée.
Medium 3.1 conserve ses propres spécifications. Le contexte de 256k, l’architecture dense de 128 milliards de paramètres et les modes configurables de raisonnement hybride décrits pour Medium 3.5 ne doivent pas être attribués à cette entrée. La page 3.1 ne fournit ni nombre de paramètres ni chiffre séparé de longueur maximale de réponse pouvant être remplacés sans risque par ceux du modèle ultérieur.
Sortie structurée et fonctions
Le fabricant mentionne les sorties structurées, les appels de fonctions et les sorties prédites parmi les fonctions de cette édition. Pour une extraction structurée, définissez les champs requis, les types attendus et le traitement des informations absentes de la source. Un enregistrement peut contenir l’identifiant documentaire, l’énoncé extrait, son emplacement source et la question restante. Demandez uniquement l’enregistrement lorsqu’un programme doit l’analyser, ou gardez l’explication en prose séparée lorsqu’une personne doit examiner l’interprétation.
La documentation commune de Mistral sur les sorties structurées distingue le mode JSON d’un schéma personnalisé. Le mode JSON exige une instruction explicite sur le format JSON souhaité, tandis que l’option personnalisée définit une structure plus précise. Il s’agit du formatage du résultat textuel, et non d’une nouvelle modalité de contenu ou d’une action externe.
Pour les fonctions, l’application définit l’opération disponible et les arguments, le modèle sélectionne l’appel approprié et prépare les valeurs, puis l’application l’exécute. Son résultat devient ensuite une information pour la réponse suivante. Un assistant documentaire peut utiliser une recherche pour obtenir une référence manquante, mais uniquement si l’application environnante fournit cette recherche et en renvoie le résultat réel. Gardez l’appel proposé et les données retournées associés.
Modifications prédites et préfixes de réponse
Les sorties prédites servent lorsqu’une grande partie du résultat souhaité est déjà connue, comme un document ou fichier de code nécessitant une modification limitée. Fournissez le contenu existant et décrivez précisément le changement, y compris ce qui doit rester inchangé. Une requête peut actualiser la terminologie d’une section ou remplacer un détail d’implémentation tout en préservant le reste du document. La prédiction contient le contenu de sortie attendu, et non une modification achevée et appliquée à un fichier.
La page du modèle mentionne aussi la continuation par préfixe de réponse. Dans la documentation de dialogue du fabricant, un préfixe fournit un début connu à la réponse de l’assistant, après lequel la génération se poursuit. Un début connu et un corps prédit répondent à des besoins de préparation différents. Le traitement par lots et les interfaces d’agent ou de conversation sont également des fonctions de processus, plutôt que des éditions séparées d’image, d’audio ou de raisonnement de Medium 3.1.
Questions documentaires et visuelles
Le processus documentaire QnA mentionné associe texte, structure et formatage préparés par OCR à l’analyse du modèle linguistique. Interrogez le modèle sur la condition, le passage ou la relation précise nécessaire à la tâche. Une comparaison peut identifier les documents sources et demander les affirmations communes, les conflits et les détails non résolus, en conservant l’emplacement source à côté de chaque constat.
Le guide de vision du fabricant inclut explicitement Medium 3.1. Une question visuelle directe peut fournir un graphique lisible, une image documentaire ou une capture d’écran et demander quels éléments visibles étayent une conclusion. Préservez axes, unités, libellés et contexte autour d’un champ recadré. Si plusieurs images sont fournies, identifiez leur ordre et leur rôle plutôt que de laisser le modèle déduire laquelle est l’original, la révision ou la référence.
Par exemple, associez une exigence écrite de processus à une capture d’écran et demandez un tableau des correspondances visibles, des différences et des questions nécessitant davantage d’informations. Une autre tâche peut fournir deux versions d’un document et demander un passage révisé préservant leurs conditions communes tout en résolvant une incohérence nommée. Il s’agit d’applications proposées des capacités documentées de vision, de documentation et d’édition, avec un résultat requis défini à l’avance.
Préparer le livrable final
Donnez à l’assistant un rôle clair, les sources à utiliser et la forme de réponse. Séparez les règles de réponse durables du document examiné, et indiquez la langue finale et la terminologie. Une réponse utile peut séparer un fait extrait, sa source et une interprétation, ce qui la rend plus facile à examiner qu’un résumé unique les fusionnant.
Le résultat documenté reste textuel. Les outils externes, les modifications de fichiers et le traitement documentaire complémentaire relèvent de l’application connectée à la conversation. Préservez l’édition Medium 3.1 nommée et son contexte de 128k, et demandez l’explication, l’enregistrement structuré ou la révision ciblée réellement nécessaires à la suite.
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-3.1: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-3.1:batch, mistralai/mistral-medium-3.1 | 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.002 / 1K tokens Entrée · Lecture du cache $0.00004 / 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 $0.0004 / 1K tokens Sortie · Tokens en sortie $0.002 / 1K tokens Entrée · Lecture du cache $0.00004 / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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-3.1: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-3.1:batch', 'mistralai/mistral-medium-3.1']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3.1: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-3.1:batch
Utilisez les chemins de méthode indiqués ci-dessus.