A Mistral Medium 3.5 a Mistral AI 128 milliárd paraméteres, sűrű modellje, amely egyetlen modellsúlykészletben egyesíti az utasításkövetést, a következtetést és a programozást. Szöveget és képeket fogad, és szöveget ad vissza. Gyártója ügynök- és programozási feladatokhoz ajánlja, miközben ugyanaz a modellállapot közvetlen társalgási választ is adhat, vagy összetettebb feladathoz használhatja dokumentált következtetési módját.
Egységes modell és vizuális képességek
A kiadott kártya 128 milliárd sűrű paramétert és 256 ezer tokenes kontextusablakot ad meg. Képfeldolgozó kódolóját különböző képméretek és képarányok kezelésére tanították. A képek programozási vagy dokumentumfeladathoz szolgáltathatnak bizonyítékot: egy felület képernyőképe, egy követelményt kísérő ábra vagy a modell által értelmezendő információt tartalmazó oldal. Az eredmény írott magyarázat, kód vagy strukturált mezők lehetnek, nem generált kép.
A gyártó több tucat nyelv támogatását írja le, köztük az angolét, franciáét, spanyolét, németét, olaszét, portugálét, hollandét, kínaiét, japánét, koreaiét és arabét. A rendszerprompt követését és a JSON-kimenettel járó natív függvényhívást is kiemeli. A közönséget, nyelvet és válaszadási szabályokat a vizsgált anyagtól külön add meg, hogy a forrásdokumentum megfogalmazása a feladat bizonyítéka maradjon.
Következtetési beállítások
A kártya kérésenként két következtetési erőfeszítési értéket dokumentál. A none következtetési mód nélküli, utasításos választ ad; a high bekapcsolja a következtetést, és összetett promptokhoz, valamint ügynökalapú programozáshoz ajánlott. Ez ugyanazon Medium 3.5 modellállapot módválasztása, nem másik modellazonosság.
Nagy következtetési erőfeszítéshez a gyártó 0.7 temperature és 0.95 top-p értéket ajánl. A none értékhez feladattól függően 0.0 és 0.7 közötti temperature értékeket dokumentál, a top-p értékét pedig megadás nélkül vagy 1.0 értéken hagyja. Ezek a kiadás ajánlásai. Először a kimenet célját válaszd ki: tömör mezőkinyerést, magyarázattal kísért kódmódosítást vagy több indokolt döntést igénylő összehasonlítást.
Gyakorlati következtetési feladatban megadhatsz egy követelményt, a megvalósítást és az eltérést előidéző bemenetet. Kérd a modelltől a releváns útvonal azonosítását, az eltérés magyarázatát és a nyilvános interfészt megőrző legkisebb módosítás javaslatát. Az átdolgozott kódot külön kérd a feltételezésektől és a példáktól. A modell javaslatot generál; annak fordításához, futtatásához és alkalmazásához az ügynökhöz kapcsolt fejlesztői környezet szükséges.
Eszközök, dokumentumok és kiszámítható módosítások
A gyártó szolgáltatási kártyája strukturált kimeneteket, előre megadott kimeneteket, dokumentumalapú kérdéseket, válaszprefixeket, kötegelt feldolgozást és ügynökbeszélgetéseket is felsorol. Adatkinyeréshez határozd meg a mezőneveket, típusokat és a hiányzó értékek kezelését. A JSON-mód strukturált megjelenítést ad, míg az egyéni séma konkrétabb formát határoz meg a csatlakoztatott felületen. Csak a rekordot kérd, ha program fogja feldolgozni, és külön magyarázatot, ha embernek kell ellenőriznie az értelmezést.
A dokumentumalapú kérdésmegválaszolás OCR-rel előkészített szöveget és szerkezetet kapcsol össze nyelvimodell-alapú értelmezéssel. Összehasonlításhoz azonosítsd a dokumentumokat és az értékelendő feltételt, majd minden megállapítást a forráshelyével együtt kérj. A hasznos kimenet különválaszthatja a közös követelményeket, az eltéréseket és a nyitott kérdéseket. Közvetlen képi kérdések diagramfeliratra vagy felületi elemre összpontosíthatnak; a címsorok, mértékegységek és képszerepek megőrzése segít a választ a megadott anyaghoz kapcsolni.
Az előre megadott kimeneteket olyan feladatokhoz dokumentálják, ahol a kívánt válasz nagy része már ismert, például kódfájl vagy dokumentum korlátozott módosításokkal történő újragenerálásához. Add meg a meglévő tartalmat és azonosítsd a konkrét változtatást, megőrizve a megtartandó részeket. Ez eltér egy teljesen új eredményanyag kérésétől vagy egy ismert válaszprefix folytatásától. A szolgáltatási funkciók beküldési és formázási lehetőségeket írnak le; nem változtatják meg a modell szöveges és képi bemenetét vagy szöveges kimenetét.
Eszközzel támogatott munkafolyamatban az alkalmazás biztosítja a függvényleírásokat és paramétereket, a modell kiválaszt egy függvényt és előkészíti az argumentumokat, az alkalmazás pedig végrehajtja és visszaadja az eredményt. Számítási eszköz kaphat a megadott képből kiolvasott értékeket, lekérdező eszköz pedig pótolhatja a következő válaszhoz hiányzó információt. Az eszközeredményt tartsd az azt előállító művelethez kapcsolva. Az ügynöki következtetés erre a környezetre támaszkodik; önmagában a szöveggenerálás nem hajt végre külső műveleteket.
Hosszú munkamenetek előkészítése
A 256 ezer tokenes kontextust kapcsolódó forráskódhoz, dokumentumokhoz és beszélgetési előzményekhez használd, és a tényleges cél maradjon egyértelmű. Programozási munkamenetben megtarthatod a modult, annak hívóját és a követelményeket, miközben egy meghatározott változtatást kérsz. Dokumentum-munkamenetben együtt tarthatod a releváns szakaszokat, és rövid táblázatot vagy átdolgozott részletet kérhetsz vissza. A kontextuskapacitás nem határoz meg külön maximális válaszhosszt; a kártya 1024 tokenes generálási példája szemléltetés, nem ez a korlát.
A gyártó jelzi, hogy egy korábban kiadott konfiguráció hosszú kontextust érintő hibát tartalmazott, amelyet kijavítottak, és ez a származtatott modellállapotoknál is releváns. Hosszú munkamenetekhez használt modellsúlyoknál őrizd meg a javított kiadási konfigurációt. A Medium 3.5 hibrid módjait és 128 milliárd paraméteres architektúráját nem szabad a Medium 3.1-hez vagy külön megnevezett draft-head modellállapothoz rendelni pusztán a közös családnév miatt.
", "aboutText": "A Mistral Medium 3.5 a Mistral AI 128 milliárd paraméteres, sűrű modellje, amely egyetlen modellsúlykészletben egyesíti az utasításkövetést, a következtetést és a programozást. Szöveget és képeket fogad, és szöveget ad vissza. Gyártója ügynök- és programozási feladatokhoz ajánlja, miközben ugyanaz a modellállapot közvetlen társalgási választ is adhat, vagy összetettebb feladathoz használhatja dokumentált következtetési módját.\n\nEgységes modell és vizuális képességek\n\nA kiadott kártya 128 milliárd sűrű paramétert és 256 ezer tokenes kontextusablakot ad meg. Képfeldolgozó kódolóját különböző képméretek és képarányok kezelésére tanították. A képek programozási vagy dokumentumfeladathoz szolgáltathatnak bizonyítékot: egy felület képernyőképe, egy követelményt kísérő ábra vagy a modell által értelmezendő információt tartalmazó oldal. Az eredmény írott magyarázat, kód vagy strukturált mezők lehetnek, nem generált kép.\n\nA gyártó több tucat nyelv támogatását írja le, köztük az angolét, franciáét, spanyolét, németét, olaszét, portugálét, hollandét, kínaiét, japánét, koreaiét és arabét. A rendszerprompt követését és a JSON-kimenettel járó natív függvényhívást is kiemeli. A közönséget, nyelvet és válaszadási szabályokat a vizsgált anyagtól külön add meg, hogy a forrásdokumentum megfogalmazása a feladat bizonyítéka maradjon.\n\nKövetkeztetési beállítások\n\nA kártya kérésenként két következtetési erőfeszítési értéket dokumentál. A none következtetési mód nélküli, utasításos választ ad; a high bekapcsolja a következtetést, és összetett promptokhoz, valamint ügynökalapú programozáshoz ajánlott. Ez ugyanazon Medium 3.5 modellállapot módválasztása, nem másik modellazonosság.\n\nNagy következtetési erőfeszítéshez a gyártó 0.7 temperature és 0.95 top-p értéket ajánl. A none értékhez feladattól függően 0.0 és 0.7 közötti temperature értékeket dokumentál, a top-p értékét pedig megadás nélkül vagy 1.0 értéken hagyja. Ezek a kiadás ajánlásai. Először a kimenet célját válaszd ki: tömör mezőkinyerést, magyarázattal kísért kódmódosítást vagy több indokolt döntést igénylő összehasonlítást.\n\nGyakorlati következtetési feladatban megadhatsz egy követelményt, a megvalósítást és az eltérést előidéző bemenetet. Kérd a modelltől a releváns útvonal azonosítását, az eltérés magyarázatát és a nyilvános interfészt megőrző legkisebb módosítás javaslatát. Az átdolgozott kódot külön kérd a feltételezésektől és a példáktól. A modell javaslatot generál; annak fordításához, futtatásához és alkalmazásához az ügynökhöz kapcsolt fejlesztői környezet szükséges.\n\nEszközök, dokumentumok és kiszámítható módosítások\n\nA gyártó szolgáltatási kártyája strukturált kimeneteket, előre megadott kimeneteket, dokumentumalapú kérdéseket, válaszprefixeket, kötegelt feldolgozást és ügynökbeszélgetéseket is felsorol. Adatkinyeréshez határozd meg a mezőneveket, típusokat és a hiányzó értékek kezelését. A JSON-mód strukturált megjelenítést ad, míg az egyéni séma konkrétabb formát határoz meg a csatlakoztatott felületen. Csak a rekordot kérd, ha program fogja feldolgozni, és külön magyarázatot, ha embernek kell ellenőriznie az értelmezést.\n\nA dokumentumalapú kérdésmegválaszolás OCR-rel előkészített szöveget és szerkezetet kapcsol össze nyelvimodell-alapú értelmezéssel. Összehasonlításhoz azonosítsd a dokumentumokat és az értékelendő feltételt, majd minden megállapítást a forráshelyével együtt kérj. A hasznos kimenet különválaszthatja a közös követelményeket, az eltéréseket és a nyitott kérdéseket. Közvetlen képi kérdések diagramfeliratra vagy felületi elemre összpontosíthatnak; a címsorok, mértékegységek és képszerepek megőrzése segít a választ a megadott anyaghoz kapcsolni.\n\nAz előre megadott kimeneteket olyan feladatokhoz dokumentálják, ahol a kívánt válasz nagy része már ismert, például kódfájl vagy dokumentum korlátozott módosításokkal történő újragenerálásához. Add meg a meglévő tartalmat és azonosítsd a konkrét változtatást, megőrizve a megtartandó részeket. Ez eltér egy teljesen új eredményanyag kérésétől vagy egy ismert válaszprefix folytatásától. A szolgáltatási funkciók beküldési és formázási lehetőségeket írnak le; nem változtatják meg a modell szöveges és képi bemenetét vagy szöveges kimenetét.\n\nEszközzel támogatott munkafolyamatban az alkalmazás biztosítja a függvényleírásokat és paramétereket, a modell kiválaszt egy függvényt és előkészíti az argumentumokat, az alkalmazás pedig végrehajtja és visszaadja az eredményt. Számítási eszköz kaphat a megadott képből kiolvasott értékeket, lekérdező eszköz pedig pótolhatja a következő válaszhoz hiányzó információt. Az eszközeredményt tartsd az azt előállító művelethez kapcsolva. Az ügynöki következtetés erre a környezetre támaszkodik; önmagában a szöveggenerálás nem hajt végre külső műveleteket.\n\nHosszú munkamenetek előkészítése\n\nA 256 ezer tokenes kontextust kapcsolódó forráskódhoz, dokumentumokhoz és beszélgetési előzményekhez használd, és a tényleges cél maradjon egyértelmű. Programozási munkamenetben megtarthatod a modult, annak hívóját és a követelményeket, miközben egy meghatározott változtatást kérsz. Dokumentum-munkamenetben együtt tarthatod a releváns szakaszokat, és rövid táblázatot vagy átdolgozott részletet kérhetsz vissza. A kontextuskapacitás nem határoz meg külön maximális válaszhosszt; a kártya 1024 tokenes generálási példája szemléltetés, nem ez a korlát.\n\nA gyártó jelzi, hogy egy korábban kiadott konfiguráció hosszú kontextust érintő hibát tartalmazott, amelyet kijavítottak, és ez a származtatott modellállapotoknál is releváns. Hosszú munkamenetekhez használt modellsúlyoknál őrizd meg a javított kiadási konfigurációt. A Medium 3.5 hibrid módjait és 128 milliárd paraméteres architektúráját nem szabad a Medium 3.1-hez vagy külön megnevezett draft-head modellállapothoz rendelni pusztán a közös családnév miatt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technikai példa angolul
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-3-5A Mistral Medium 3.5 utasításkövetést, következtetést és programozást egyesít egy 128 milliárd paraméteres, sűrű, szöveget és képet fogadó modellben. A gyártó 256 ezer tokenes kontextust, kérésenkénti következtetési beállításokat, natív függvényhívást és strukturált kimenetet kínál dokumentum- és ügynökmunkafolyamatokhoz.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Mistral Medium 3.5 a Mistral AI 128 milliárd paraméteres, sűrű modellje, amely egyetlen modellsúlykészletben egyesíti az utasításkövetést, a következtetést és a programozást. Szöveget és képeket fogad, és szöveget ad vissza. Gyártója ügynök- és programozási feladatokhoz ajánlja, miközben ugyanaz a modellállapot közvetlen társalgási választ is adhat, vagy összetettebb feladathoz használhatja dokumentált következtetési módját.
Egységes modell és vizuális képességek
A kiadott kártya 128 milliárd sűrű paramétert és 256 ezer tokenes kontextusablakot ad meg. Képfeldolgozó kódolóját különböző képméretek és képarányok kezelésére tanították. A képek programozási vagy dokumentumfeladathoz szolgáltathatnak bizonyítékot: egy felület képernyőképe, egy követelményt kísérő ábra vagy a modell által értelmezendő információt tartalmazó oldal. Az eredmény írott magyarázat, kód vagy strukturált mezők lehetnek, nem generált kép.
A gyártó több tucat nyelv támogatását írja le, köztük az angolét, franciáét, spanyolét, németét, olaszét, portugálét, hollandét, kínaiét, japánét, koreaiét és arabét. A rendszerprompt követését és a JSON-kimenettel járó natív függvényhívást is kiemeli. A közönséget, nyelvet és válaszadási szabályokat a vizsgált anyagtól külön add meg, hogy a forrásdokumentum megfogalmazása a feladat bizonyítéka maradjon.
Következtetési beállítások
A kártya kérésenként két következtetési erőfeszítési értéket dokumentál. A none következtetési mód nélküli, utasításos választ ad; a high bekapcsolja a következtetést, és összetett promptokhoz, valamint ügynökalapú programozáshoz ajánlott. Ez ugyanazon Medium 3.5 modellállapot módválasztása, nem másik modellazonosság.
Nagy következtetési erőfeszítéshez a gyártó 0.7 temperature és 0.95 top-p értéket ajánl. A none értékhez feladattól függően 0.0 és 0.7 közötti temperature értékeket dokumentál, a top-p értékét pedig megadás nélkül vagy 1.0 értéken hagyja. Ezek a kiadás ajánlásai. Először a kimenet célját válaszd ki: tömör mezőkinyerést, magyarázattal kísért kódmódosítást vagy több indokolt döntést igénylő összehasonlítást.
Gyakorlati következtetési feladatban megadhatsz egy követelményt, a megvalósítást és az eltérést előidéző bemenetet. Kérd a modelltől a releváns útvonal azonosítását, az eltérés magyarázatát és a nyilvános interfészt megőrző legkisebb módosítás javaslatát. Az átdolgozott kódot külön kérd a feltételezésektől és a példáktól. A modell javaslatot generál; annak fordításához, futtatásához és alkalmazásához az ügynökhöz kapcsolt fejlesztői környezet szükséges.
Eszközök, dokumentumok és kiszámítható módosítások
A gyártó szolgáltatási kártyája strukturált kimeneteket, előre megadott kimeneteket, dokumentumalapú kérdéseket, válaszprefixeket, kötegelt feldolgozást és ügynökbeszélgetéseket is felsorol. Adatkinyeréshez határozd meg a mezőneveket, típusokat és a hiányzó értékek kezelését. A JSON-mód strukturált megjelenítést ad, míg az egyéni séma konkrétabb formát határoz meg a csatlakoztatott felületen. Csak a rekordot kérd, ha program fogja feldolgozni, és külön magyarázatot, ha embernek kell ellenőriznie az értelmezést.
A dokumentumalapú kérdésmegválaszolás OCR-rel előkészített szöveget és szerkezetet kapcsol össze nyelvimodell-alapú értelmezéssel. Összehasonlításhoz azonosítsd a dokumentumokat és az értékelendő feltételt, majd minden megállapítást a forráshelyével együtt kérj. A hasznos kimenet különválaszthatja a közös követelményeket, az eltéréseket és a nyitott kérdéseket. Közvetlen képi kérdések diagramfeliratra vagy felületi elemre összpontosíthatnak; a címsorok, mértékegységek és képszerepek megőrzése segít a választ a megadott anyaghoz kapcsolni.
Az előre megadott kimeneteket olyan feladatokhoz dokumentálják, ahol a kívánt válasz nagy része már ismert, például kódfájl vagy dokumentum korlátozott módosításokkal történő újragenerálásához. Add meg a meglévő tartalmat és azonosítsd a konkrét változtatást, megőrizve a megtartandó részeket. Ez eltér egy teljesen új eredményanyag kérésétől vagy egy ismert válaszprefix folytatásától. A szolgáltatási funkciók beküldési és formázási lehetőségeket írnak le; nem változtatják meg a modell szöveges és képi bemenetét vagy szöveges kimenetét.
Eszközzel támogatott munkafolyamatban az alkalmazás biztosítja a függvényleírásokat és paramétereket, a modell kiválaszt egy függvényt és előkészíti az argumentumokat, az alkalmazás pedig végrehajtja és visszaadja az eredményt. Számítási eszköz kaphat a megadott képből kiolvasott értékeket, lekérdező eszköz pedig pótolhatja a következő válaszhoz hiányzó információt. Az eszközeredményt tartsd az azt előállító művelethez kapcsolva. Az ügynöki következtetés erre a környezetre támaszkodik; önmagában a szöveggenerálás nem hajt végre külső műveleteket.
Hosszú munkamenetek előkészítése
A 256 ezer tokenes kontextust kapcsolódó forráskódhoz, dokumentumokhoz és beszélgetési előzményekhez használd, és a tényleges cél maradjon egyértelmű. Programozási munkamenetben megtarthatod a modult, annak hívóját és a követelményeket, miközben egy meghatározott változtatást kérsz. Dokumentum-munkamenetben együtt tarthatod a releváns szakaszokat, és rövid táblázatot vagy átdolgozott részletet kérhetsz vissza. A kontextuskapacitás nem határoz meg külön maximális válaszhosszt; a kártya 1024 tokenes generálási példája szemléltetés, nem ez a korlát.
A gyártó jelzi, hogy egy korábban kiadott konfiguráció hosszú kontextust érintő hibát tartalmazott, amelyet kijavítottak, és ez a származtatott modellállapotoknál is releváns. Hosszú munkamenetekhez használt modellsúlyoknál őrizd meg a javított kiadási konfigurációt. A Medium 3.5 hibrid módjait és 128 milliárd paraméteres architektúráját nem szabad a Medium 3.1-hez vagy külön megnevezett draft-head modellállapothoz rendelni pusztán a közös családnév miatt.
POST /v1/chat/completionstexttext| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok mistralai/mistral-medium-3-5 | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok Példák: system, user, assistant, tool, function Feltételek: Ezeket a szerepeket a forráskód kompatibilitási típusai kifejezetten reprezentálják; a pontos szerepkészlet továbbra is modellspecifikus. Modelltől függ | Alapértelmezett— |
Mezőmessages[].content | Típusstring|content_part[]|null | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_calls | Típustool_call[] | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].tool_call_id | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: role=tool; használja a ténylegesen visszaadott ID-t | Alapértelmezett— |
Mezőmessages[].name | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].reasoning_content | Típusstring | KövetelményOpcionális | Értékek és korlátok Akkor alkalmazandó, ha: Küldje vissza a ténylegesen visszaadott gondolkodási tartalmat, ha ez a modell használja | Alapértelmezett— |
Mezőmessages[].reasoning_details | Típusobject|array | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőmax_completion_tokens | Típusinteger | KövetelményOpcionális | Értékek és korlátok Minimum: 1 Modelltől függ | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Mezőstream_options.include_usage | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtemperature | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtop_p | Típusnumber | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőstop | Típusstring|string[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools | Típusfunction_tool[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőtools[].type | Típusstring | KövetelményOpcionális | Értékek és korlátok function Modelltől függ | Alapértelmezett— |
Mezőtools[].function.name | Típusstring | KövetelményKötelező | Értékek és korlátok Akkor alkalmazandó, ha: Függvényeszköz megadva | Alapértelmezett— |
Mezőtools[].function.description | Típusstring | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtools[].function.parameters | TípusJSON_schema | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
Mezőtool_choice | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőparallel_tool_calls | Típusboolean | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőresponse_format | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning_effort | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőreasoning | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőservice_tier | Típusstring | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőinstructions | Típusstring | KövetelményOpcionális | Értékek és korlátok Kompatibilitási mező | Alapértelmezett— |
Mezőfunctions | Típusfunction[] | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőfunction_call | Típusstring|object | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőprompt_cache_options | Típusobject | KövetelményOpcionális | Értékek és korlátok Modelltől függ | Alapértelmezett— |
Mezőmodalities | Típusstring[] | KövetelményOpcionális | Értékek és korlátok text | Alapértelmezett— |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasításra kerül ezen az Ultra szöveges útvonalon | Alapértelmezett— |
Mezőcache_control.ttl | Típusstring | KövetelményOpcionális | Értékek és korlátok Feltételek: Az 1h elutasításra kerül a tényleges prompt-gyorsítótárazási helyeken | Alapértelmezett— |
Szöveg · UTF8 szöveg
messages[].content
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages |
Paramétermaterial_types | Szerződéstext |
Paramétermessages | Szerződésüzenettömb role/content szerkezettel |
Paraméterfile_material | Szerződésa tényleges UTF-8 dokumentum szó szerinti szövegként beillesztve; nincs kikövetkeztetett fájlazonosító |
Paraméteroptional_controls | Szerződésstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramétercontrol_scope | Szerződésmodellspecifikus; a felhasználói függvényeszközök eltérnek a hosztolt eszközöktől |
Paraméteroutput_modalities | Szerződéstext |
Paraméterhosted_operations | Szerződésfalse |
Paramétermultimodal_input_binding | Szerződésnull |
Életciklus: synchronous_or_streamed
Küldje el a pontos modellazonosítót a messages mellett.
A kontextushossz nem kimeneti felső korlát.
Egy szövegfájl szó szerinti szöveget adhat meg; a kép-/hang-/fájlobjektum-bemenetek pontos hozzárendelést igényelnek.
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.003 / 1K token Kimenet · Kimeneti tokenek $0.015 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.003 / 1K token Kimenet · Kimeneti tokenek $0.015 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes válaszváltozatot és azok tartalmát/eszközhívásait/gondolkodási tartalmát. SSE esetén válaszváltozat- és eszközindex szerint állítsa össze a részleges frissítéseket, és tartsa meg a végső befejezési okot és a használati adatokat.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőchoices[].index | Típusinteger |
Mezőchoices[].message.content | Típusstring|null |
Mezőchoices[].message.tool_calls | Típustool_call[] |
Mezőchoices[].message.reasoning_content | Típusstring |
Mezőchoices[].message.reasoning_details | Típusobject|array |
Mezőchoices[].finish_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra mistralai/mistral-medium-3-5
Használja a fent látható metódusútvonalakat.
mistralai/mistral-medium-3-5A Mistral Medium 3.5 utasításkövetést, következtetést és programozást egyesít egy 128 milliárd paraméteres, sűrű, szöveget és képet fogadó modellben. A gyártó 256 ezer tokenes kontextust, kérésenkénti következtetési beállításokat, natív függvényhívást és strukturált kimenetet kínál dokumentum- és ügynökmunkafolyamatokhoz.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Mistral Medium 3.5 a Mistral AI 128 milliárd paraméteres, sűrű modellje, amely egyetlen modellsúlykészletben egyesíti az utasításkövetést, a következtetést és a programozást. Szöveget és képeket fogad, és szöveget ad vissza. Gyártója ügynök- és programozási feladatokhoz ajánlja, miközben ugyanaz a modellállapot közvetlen társalgási választ is adhat, vagy összetettebb feladathoz használhatja dokumentált következtetési módját.
Egységes modell és vizuális képességek
A kiadott kártya 128 milliárd sűrű paramétert és 256 ezer tokenes kontextusablakot ad meg. Képfeldolgozó kódolóját különböző képméretek és képarányok kezelésére tanították. A képek programozási vagy dokumentumfeladathoz szolgáltathatnak bizonyítékot: egy felület képernyőképe, egy követelményt kísérő ábra vagy a modell által értelmezendő információt tartalmazó oldal. Az eredmény írott magyarázat, kód vagy strukturált mezők lehetnek, nem generált kép.
A gyártó több tucat nyelv támogatását írja le, köztük az angolét, franciáét, spanyolét, németét, olaszét, portugálét, hollandét, kínaiét, japánét, koreaiét és arabét. A rendszerprompt követését és a JSON-kimenettel járó natív függvényhívást is kiemeli. A közönséget, nyelvet és válaszadási szabályokat a vizsgált anyagtól külön add meg, hogy a forrásdokumentum megfogalmazása a feladat bizonyítéka maradjon.
Következtetési beállítások
A kártya kérésenként két következtetési erőfeszítési értéket dokumentál. A none következtetési mód nélküli, utasításos választ ad; a high bekapcsolja a következtetést, és összetett promptokhoz, valamint ügynökalapú programozáshoz ajánlott. Ez ugyanazon Medium 3.5 modellállapot módválasztása, nem másik modellazonosság.
Nagy következtetési erőfeszítéshez a gyártó 0.7 temperature és 0.95 top-p értéket ajánl. A none értékhez feladattól függően 0.0 és 0.7 közötti temperature értékeket dokumentál, a top-p értékét pedig megadás nélkül vagy 1.0 értéken hagyja. Ezek a kiadás ajánlásai. Először a kimenet célját válaszd ki: tömör mezőkinyerést, magyarázattal kísért kódmódosítást vagy több indokolt döntést igénylő összehasonlítást.
Gyakorlati következtetési feladatban megadhatsz egy követelményt, a megvalósítást és az eltérést előidéző bemenetet. Kérd a modelltől a releváns útvonal azonosítását, az eltérés magyarázatát és a nyilvános interfészt megőrző legkisebb módosítás javaslatát. Az átdolgozott kódot külön kérd a feltételezésektől és a példáktól. A modell javaslatot generál; annak fordításához, futtatásához és alkalmazásához az ügynökhöz kapcsolt fejlesztői környezet szükséges.
Eszközök, dokumentumok és kiszámítható módosítások
A gyártó szolgáltatási kártyája strukturált kimeneteket, előre megadott kimeneteket, dokumentumalapú kérdéseket, válaszprefixeket, kötegelt feldolgozást és ügynökbeszélgetéseket is felsorol. Adatkinyeréshez határozd meg a mezőneveket, típusokat és a hiányzó értékek kezelését. A JSON-mód strukturált megjelenítést ad, míg az egyéni séma konkrétabb formát határoz meg a csatlakoztatott felületen. Csak a rekordot kérd, ha program fogja feldolgozni, és külön magyarázatot, ha embernek kell ellenőriznie az értelmezést.
A dokumentumalapú kérdésmegválaszolás OCR-rel előkészített szöveget és szerkezetet kapcsol össze nyelvimodell-alapú értelmezéssel. Összehasonlításhoz azonosítsd a dokumentumokat és az értékelendő feltételt, majd minden megállapítást a forráshelyével együtt kérj. A hasznos kimenet különválaszthatja a közös követelményeket, az eltéréseket és a nyitott kérdéseket. Közvetlen képi kérdések diagramfeliratra vagy felületi elemre összpontosíthatnak; a címsorok, mértékegységek és képszerepek megőrzése segít a választ a megadott anyaghoz kapcsolni.
Az előre megadott kimeneteket olyan feladatokhoz dokumentálják, ahol a kívánt válasz nagy része már ismert, például kódfájl vagy dokumentum korlátozott módosításokkal történő újragenerálásához. Add meg a meglévő tartalmat és azonosítsd a konkrét változtatást, megőrizve a megtartandó részeket. Ez eltér egy teljesen új eredményanyag kérésétől vagy egy ismert válaszprefix folytatásától. A szolgáltatási funkciók beküldési és formázási lehetőségeket írnak le; nem változtatják meg a modell szöveges és képi bemenetét vagy szöveges kimenetét.
Eszközzel támogatott munkafolyamatban az alkalmazás biztosítja a függvényleírásokat és paramétereket, a modell kiválaszt egy függvényt és előkészíti az argumentumokat, az alkalmazás pedig végrehajtja és visszaadja az eredményt. Számítási eszköz kaphat a megadott képből kiolvasott értékeket, lekérdező eszköz pedig pótolhatja a következő válaszhoz hiányzó információt. Az eszközeredményt tartsd az azt előállító művelethez kapcsolva. Az ügynöki következtetés erre a környezetre támaszkodik; önmagában a szöveggenerálás nem hajt végre külső műveleteket.
Hosszú munkamenetek előkészítése
A 256 ezer tokenes kontextust kapcsolódó forráskódhoz, dokumentumokhoz és beszélgetési előzményekhez használd, és a tényleges cél maradjon egyértelmű. Programozási munkamenetben megtarthatod a modult, annak hívóját és a követelményeket, miközben egy meghatározott változtatást kérsz. Dokumentum-munkamenetben együtt tarthatod a releváns szakaszokat, és rövid táblázatot vagy átdolgozott részletet kérhetsz vissza. A kontextuskapacitás nem határoz meg külön maximális válaszhosszt; a kártya 1024 tokenes generálási példája szemléltetés, nem ez a korlát.
A gyártó jelzi, hogy egy korábban kiadott konfiguráció hosszú kontextust érintő hibát tartalmazott, amelyet kijavítottak, és ez a származtatott modellállapotoknál is releváns. Hosszú munkamenetekhez használt modellsúlyoknál őrizd meg a javított kiadási konfigurációt. A Medium 3.5 hibrid módjait és 128 milliárd paraméteres architektúráját nem szabad a Medium 3.1-hez vagy külön megnevezett draft-head modellállapothoz rendelni pusztán a közös családnév miatt.
POST /v1/messagestextjson, sse| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok mistralai/mistral-medium-3-5 | Alapértelmezett— |
Mezőmessages | Típusmessage[] | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmessages[].role | Típusstring | KövetelményKötelező | Értékek és korlátok user, assistant | Alapértelmezett— |
Mezőmessages[].content | Típusstring | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőmax_tokens | Típusinteger | KövetelményKötelező | Értékek és korlátok | Alapértelmezett— |
Mezőstream | Típusboolean | KövetelményOpcionális | Értékek és korlátok | Alapértelmezettfalse |
Szöveg · UTF-8 szöveg
messages[].content karakterlánc
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, messages, max_tokens |
Paraméteroptional_controls | Szerződésstream |
Paramétermaterial_types | Szerződéstext |
Paramétertext_file_material | SzerződésOlvassa el a tényleges UTF-8 dokumentumot, és tegye a szövegét a jelzett bemeneti karakterláncba vagy az üzenettartalom karakterláncába. |
Életciklus: synchronous_or_streamed
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Kontextustokenek, több mint | Kontextustokenek, legfeljebb | Díj |
|---|---|---|---|---|
| BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Kontextustokenek, több mint— | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.003 / 1K token Kimenet · Kimeneti tokenek $0.015 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| BeállításA kéréshossz szerinti 1. ársáv | Díjtáblázat— | Kontextustokenek, több mint0 | Kontextustokenek, legfeljebbNincs felső korlát | Díj Bemenet · Bemeneti tokenek $0.003 / 1K token Kimenet · Kimeneti tokenek $0.015 / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 vagy SSE
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg az összes tartalomblokkot, a gondolkodási tartalom aláírásait és a tényleges eszközhasználati ID-kat. Állítsa össze az összes SSE-blokk részleges frissítését; az első szövegblokk nem a teljes kimenet.
Őrizze meg a kérés-/válaszazonosítókat és a fejléceket. Nincs megadva általános URL a szöveges feladatok lekéréséhez.
| Mező | Típus |
|---|---|
Mezőid | Típusstring |
Mezőmodel | Típusstring |
Mezőcontent[] | Típustext|thinking|tool_use|other content block |
Mezőstop_reason | Típusstring|null |
Mezőusage | Típusobject |
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Ailoot Ultra mistralai/mistral-medium-3-5
Használja a fent látható metódusútvonalakat.
Technikai példa angolul
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.