Mistral Large adalah keluarga multimodal serbaguna dari Mistral AI untuk pekerjaan dokumen kompleks, rekayasa perangkat lunak, dan tugas agen. Large 4 menggabungkan kepatuhan terhadap instruksi, penalaran, dan penggunaan alat dengan pemahaman visual bawaan. Arsitektur mixture-of-experts yang granular memiliki total 1,05 triliun parameter dan 52 miliar parameter aktif, bersama encoder visual dengan 1,6 miliar parameter. Jendela konteks Large 4 sebesar 1M token. Large 3 adalah edisi terpisah dengan total 675 miliar parameter, 41 miliar parameter aktif, dan jendela konteks 256K.
Model bekerja dengan tugas tertulis dan materi visual untuk menghasilkan teks, kode, atau hasil terstruktur. Dalam alur penalaran Large 4, pengaturan upaya minimal mengembalikan jawaban secara langsung, sedangkan upaya tinggi menyertakan segmen penalaran sebelum jawaban akhir. Pesan asisten yang lengkap mempertahankan kesinambungan pada giliran lanjutan. Keluaran terstruktur dapat menggunakan JSON atau skema khusus, dan aplikasi dapat menyediakan prefiks untuk mengontrol awal respons.
Pemanggilan fungsi menghubungkan tugas analitis dengan informasi dan tindakan eksternal. Berikan deskripsi fungsi, bidang masukan, dan tujuan pengguna. Model memilih fungsi dan menyiapkan argumen; aplikasi menjalankannya, mengembalikan hasil, dan melanjutkan percakapan. Alur dapat melibatkan pemanggilan berurutan atau beberapa pemanggilan paralel. Tanya jawab dokumen menggabungkan ekstraksi dokumen dengan pemahaman bahasa, sedangkan pemrosesan batch menangani kumpulan permintaan secara asinkron. Ketersediaan dan eksekusi alat disediakan oleh aplikasi di sekeliling model.
Bidang kemampuan Large 4 dimulai dengan analisis keamanan: pembuatnya menjelaskan triase malware, penentuan prioritas kerentanan, dan penyiapan aturan deteksi untuk pekerjaan defensif. Dalam pemrograman berbasis agen, fokusnya adalah pemahaman repositori, perubahan perangkat lunak, dan alur terminal yang kompleks. Penugasan pemrograman yang berguna mengidentifikasi perilaku yang terdampak, berkas dan dependensi yang terlibat, serta pemeriksaan yang akan membuktikan hasil yang benar.
Untuk alur agen umum, model dapat mengumpulkan materi, menggunakan alat yang terhubung, dan menyusun hasil kerja seperti dokumen, spreadsheet, dan konten slide. Pekerjaan multimodalnya mencakup bagan, halaman kompleks, pemandangan alami, dan gambar teknis. Pengaitan visual menghubungkan pertanyaan dengan objek atau wilayah; tugas rekayasa dapat memeriksa gambar yang diberikan, membandingkan bagian yang terlihat, dan mengembalikan penjelasan yang terkait dengan bukti. Dalam analisis dokumen, minta halaman, tabel, atau bagian teks spesifik yang mendukung setiap kesimpulan.
Penerapan ilmiah dan matematika mencakup analisis data, pemodelan, kode simulasi, dan tugas matematika terapan yang panjang. Pekerjaan pengetahuan mencakup penyuntingan dokumen serta spreadsheet dan perbandingan informasi dari beberapa sumber. Tugas Ailoot API dapat menetapkan kerangka laporan yang dapat disunting, kumpulan temuan terstruktur, atau kode untuk dijalankan dan diverifikasi aplikasi. Ini adalah keluaran yang berbeda: penjelasan menjawab pertanyaan, hasil terstruktur meneruskan data, dan alur berbantuan alat menggunakan aplikasi untuk membuat atau memperbarui artefak akhir.
Pelatihan Large 4 mencakup materi multibahasa dalam lebih dari 160 bahasa, termasuk semua bahasa resmi Uni Eropa. Pascapelatihannya menggabungkan fine-tuning terawasi dengan pembelajaran penguatan pada penalaran, pekerjaan ilmiah, penggunaan alat, ketepatan fakta, dan penyelarasan keamanan. Pekerjaan keamanan menangani injeksi prompt tidak langsung dan permintaan keamanan siber yang berbahaya. Pilihan keluarga tetap merupakan lini model yang diperbarui: arsitektur numerik, jendela konteks, dan perilaku penalaran di atas berlaku untuk edisi yang disebut secara eksplisit, yang tetap dibedakan saat memilih versi tetap.
", "aboutText": "Mistral Large adalah keluarga multimodal serbaguna dari Mistral AI untuk pekerjaan dokumen kompleks, rekayasa perangkat lunak, dan tugas agen. Large 4 menggabungkan kepatuhan terhadap instruksi, penalaran, dan penggunaan alat dengan pemahaman visual bawaan. Arsitektur mixture-of-experts yang granular memiliki total 1,05 triliun parameter dan 52 miliar parameter aktif, bersama encoder visual dengan 1,6 miliar parameter. Jendela konteks Large 4 sebesar 1M token. Large 3 adalah edisi terpisah dengan total 675 miliar parameter, 41 miliar parameter aktif, dan jendela konteks 256K.\n\nModel bekerja dengan tugas tertulis dan materi visual untuk menghasilkan teks, kode, atau hasil terstruktur. Dalam alur penalaran Large 4, pengaturan upaya minimal mengembalikan jawaban secara langsung, sedangkan upaya tinggi menyertakan segmen penalaran sebelum jawaban akhir. Pesan asisten yang lengkap mempertahankan kesinambungan pada giliran lanjutan. Keluaran terstruktur dapat menggunakan JSON atau skema khusus, dan aplikasi dapat menyediakan prefiks untuk mengontrol awal respons.\n\nPemanggilan fungsi menghubungkan tugas analitis dengan informasi dan tindakan eksternal. Berikan deskripsi fungsi, bidang masukan, dan tujuan pengguna. Model memilih fungsi dan menyiapkan argumen; aplikasi menjalankannya, mengembalikan hasil, dan melanjutkan percakapan. Alur dapat melibatkan pemanggilan berurutan atau beberapa pemanggilan paralel. Tanya jawab dokumen menggabungkan ekstraksi dokumen dengan pemahaman bahasa, sedangkan pemrosesan batch menangani kumpulan permintaan secara asinkron. Ketersediaan dan eksekusi alat disediakan oleh aplikasi di sekeliling model.\n\nBidang kemampuan Large 4 dimulai dengan analisis keamanan: pembuatnya menjelaskan triase malware, penentuan prioritas kerentanan, dan penyiapan aturan deteksi untuk pekerjaan defensif. Dalam pemrograman berbasis agen, fokusnya adalah pemahaman repositori, perubahan perangkat lunak, dan alur terminal yang kompleks. Penugasan pemrograman yang berguna mengidentifikasi perilaku yang terdampak, berkas dan dependensi yang terlibat, serta pemeriksaan yang akan membuktikan hasil yang benar.\n\nUntuk alur agen umum, model dapat mengumpulkan materi, menggunakan alat yang terhubung, dan menyusun hasil kerja seperti dokumen, spreadsheet, dan konten slide. Pekerjaan multimodalnya mencakup bagan, halaman kompleks, pemandangan alami, dan gambar teknis. Pengaitan visual menghubungkan pertanyaan dengan objek atau wilayah; tugas rekayasa dapat memeriksa gambar yang diberikan, membandingkan bagian yang terlihat, dan mengembalikan penjelasan yang terkait dengan bukti. Dalam analisis dokumen, minta halaman, tabel, atau bagian teks spesifik yang mendukung setiap kesimpulan.\n\nPenerapan ilmiah dan matematika mencakup analisis data, pemodelan, kode simulasi, dan tugas matematika terapan yang panjang. Pekerjaan pengetahuan mencakup penyuntingan dokumen serta spreadsheet dan perbandingan informasi dari beberapa sumber. Tugas Ailoot API dapat menetapkan kerangka laporan yang dapat disunting, kumpulan temuan terstruktur, atau kode untuk dijalankan dan diverifikasi aplikasi. Ini adalah keluaran yang berbeda: penjelasan menjawab pertanyaan, hasil terstruktur meneruskan data, dan alur berbantuan alat menggunakan aplikasi untuk membuat atau memperbarui artefak akhir.\n\nPelatihan Large 4 mencakup materi multibahasa dalam lebih dari 160 bahasa, termasuk semua bahasa resmi Uni Eropa. Pascapelatihannya menggabungkan fine-tuning terawasi dengan pembelajaran penguatan pada penalaran, pekerjaan ilmiah, penggunaan alat, ketepatan fakta, dan penyelarasan keamanan. Pekerjaan keamanan menangani injeksi prompt tidak langsung dan permintaan keamanan siber yang berbahaya. Pilihan keluarga tetap merupakan lini model yang diperbarui: arsitektur numerik, jendela konteks, dan perilaku penalaran di atas berlaku untuk edisi yang disebut secara eksplisit, yang tetap dibedakan saat memilih versi tetap.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Find a report inconsistency\n\nReview these report sections. [Summary] The pilot covered 120 orders and had 6 returns. [Table] Delivered: 114; returned: 6; cancelled before dispatch: 5. Identify which totals can be reconciled and which scope is unclear. Draft a correction question for the report author, retaining section labels and avoiding an invented denominator.A source-linked finding table and a precise question about the order population and cancellations.Ensure the five cancellations are not silently added to or removed from the stated 120-order pilot.mistral-large-latestKeluarga Large dari Mistral AI menggabungkan pemahaman dokumen dan gambar dengan penalaran, pemrograman, dan alur kerja berbasis alat. Edisi Large yang dipublikasikan mendukung respons terstruktur dan pekerjaan konteks panjang, dengan arsitektur serta ukuran konteks yang melekat pada setiap versi bernama.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Large adalah keluarga multimodal serbaguna dari Mistral AI untuk pekerjaan dokumen kompleks, rekayasa perangkat lunak, dan tugas agen. Large 4 menggabungkan kepatuhan terhadap instruksi, penalaran, dan penggunaan alat dengan pemahaman visual bawaan. Arsitektur mixture-of-experts yang granular memiliki total 1,05 triliun parameter dan 52 miliar parameter aktif, bersama encoder visual dengan 1,6 miliar parameter. Jendela konteks Large 4 sebesar 1M token. Large 3 adalah edisi terpisah dengan total 675 miliar parameter, 41 miliar parameter aktif, dan jendela konteks 256K.
Model bekerja dengan tugas tertulis dan materi visual untuk menghasilkan teks, kode, atau hasil terstruktur. Dalam alur penalaran Large 4, pengaturan upaya minimal mengembalikan jawaban secara langsung, sedangkan upaya tinggi menyertakan segmen penalaran sebelum jawaban akhir. Pesan asisten yang lengkap mempertahankan kesinambungan pada giliran lanjutan. Keluaran terstruktur dapat menggunakan JSON atau skema khusus, dan aplikasi dapat menyediakan prefiks untuk mengontrol awal respons.
Pemanggilan fungsi menghubungkan tugas analitis dengan informasi dan tindakan eksternal. Berikan deskripsi fungsi, bidang masukan, dan tujuan pengguna. Model memilih fungsi dan menyiapkan argumen; aplikasi menjalankannya, mengembalikan hasil, dan melanjutkan percakapan. Alur dapat melibatkan pemanggilan berurutan atau beberapa pemanggilan paralel. Tanya jawab dokumen menggabungkan ekstraksi dokumen dengan pemahaman bahasa, sedangkan pemrosesan batch menangani kumpulan permintaan secara asinkron. Ketersediaan dan eksekusi alat disediakan oleh aplikasi di sekeliling model.
Bidang kemampuan Large 4 dimulai dengan analisis keamanan: pembuatnya menjelaskan triase malware, penentuan prioritas kerentanan, dan penyiapan aturan deteksi untuk pekerjaan defensif. Dalam pemrograman berbasis agen, fokusnya adalah pemahaman repositori, perubahan perangkat lunak, dan alur terminal yang kompleks. Penugasan pemrograman yang berguna mengidentifikasi perilaku yang terdampak, berkas dan dependensi yang terlibat, serta pemeriksaan yang akan membuktikan hasil yang benar.
Untuk alur agen umum, model dapat mengumpulkan materi, menggunakan alat yang terhubung, dan menyusun hasil kerja seperti dokumen, spreadsheet, dan konten slide. Pekerjaan multimodalnya mencakup bagan, halaman kompleks, pemandangan alami, dan gambar teknis. Pengaitan visual menghubungkan pertanyaan dengan objek atau wilayah; tugas rekayasa dapat memeriksa gambar yang diberikan, membandingkan bagian yang terlihat, dan mengembalikan penjelasan yang terkait dengan bukti. Dalam analisis dokumen, minta halaman, tabel, atau bagian teks spesifik yang mendukung setiap kesimpulan.
Penerapan ilmiah dan matematika mencakup analisis data, pemodelan, kode simulasi, dan tugas matematika terapan yang panjang. Pekerjaan pengetahuan mencakup penyuntingan dokumen serta spreadsheet dan perbandingan informasi dari beberapa sumber. Tugas Ailoot API dapat menetapkan kerangka laporan yang dapat disunting, kumpulan temuan terstruktur, atau kode untuk dijalankan dan diverifikasi aplikasi. Ini adalah keluaran yang berbeda: penjelasan menjawab pertanyaan, hasil terstruktur meneruskan data, dan alur berbantuan alat menggunakan aplikasi untuk membuat atau memperbarui artefak akhir.
Pelatihan Large 4 mencakup materi multibahasa dalam lebih dari 160 bahasa, termasuk semua bahasa resmi Uni Eropa. Pascapelatihannya menggabungkan fine-tuning terawasi dengan pembelajaran penguatan pada penalaran, pekerjaan ilmiah, penggunaan alat, ketepatan fakta, dan penyelarasan keamanan. Pekerjaan keamanan menangani injeksi prompt tidak langsung dan permintaan keamanan siber yang berbahaya. Pilihan keluarga tetap merupakan lini model yang diperbarui: arsitektur numerik, jendela konteks, dan perilaku penalaran di atas berlaku untuk edisi yang disebut secara eksplisit, yang tetap dibedakan saat memilih versi tetap.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistral-large-latest | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0044 / 1K token Keluaran · Token keluaran $0.0132 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistral-large-latest", "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='mistral-large-latest',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='mistral-large-latest',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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra mistral-large-latest
Gunakan jalur metode yang ditampilkan di atas.
mistral-large-latestKeluarga Large dari Mistral AI menggabungkan pemahaman dokumen dan gambar dengan penalaran, pemrograman, dan alur kerja berbasis alat. Edisi Large yang dipublikasikan mendukung respons terstruktur dan pekerjaan konteks panjang, dengan arsitektur serta ukuran konteks yang melekat pada setiap versi bernama.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Large adalah keluarga multimodal serbaguna dari Mistral AI untuk pekerjaan dokumen kompleks, rekayasa perangkat lunak, dan tugas agen. Large 4 menggabungkan kepatuhan terhadap instruksi, penalaran, dan penggunaan alat dengan pemahaman visual bawaan. Arsitektur mixture-of-experts yang granular memiliki total 1,05 triliun parameter dan 52 miliar parameter aktif, bersama encoder visual dengan 1,6 miliar parameter. Jendela konteks Large 4 sebesar 1M token. Large 3 adalah edisi terpisah dengan total 675 miliar parameter, 41 miliar parameter aktif, dan jendela konteks 256K.
Model bekerja dengan tugas tertulis dan materi visual untuk menghasilkan teks, kode, atau hasil terstruktur. Dalam alur penalaran Large 4, pengaturan upaya minimal mengembalikan jawaban secara langsung, sedangkan upaya tinggi menyertakan segmen penalaran sebelum jawaban akhir. Pesan asisten yang lengkap mempertahankan kesinambungan pada giliran lanjutan. Keluaran terstruktur dapat menggunakan JSON atau skema khusus, dan aplikasi dapat menyediakan prefiks untuk mengontrol awal respons.
Pemanggilan fungsi menghubungkan tugas analitis dengan informasi dan tindakan eksternal. Berikan deskripsi fungsi, bidang masukan, dan tujuan pengguna. Model memilih fungsi dan menyiapkan argumen; aplikasi menjalankannya, mengembalikan hasil, dan melanjutkan percakapan. Alur dapat melibatkan pemanggilan berurutan atau beberapa pemanggilan paralel. Tanya jawab dokumen menggabungkan ekstraksi dokumen dengan pemahaman bahasa, sedangkan pemrosesan batch menangani kumpulan permintaan secara asinkron. Ketersediaan dan eksekusi alat disediakan oleh aplikasi di sekeliling model.
Bidang kemampuan Large 4 dimulai dengan analisis keamanan: pembuatnya menjelaskan triase malware, penentuan prioritas kerentanan, dan penyiapan aturan deteksi untuk pekerjaan defensif. Dalam pemrograman berbasis agen, fokusnya adalah pemahaman repositori, perubahan perangkat lunak, dan alur terminal yang kompleks. Penugasan pemrograman yang berguna mengidentifikasi perilaku yang terdampak, berkas dan dependensi yang terlibat, serta pemeriksaan yang akan membuktikan hasil yang benar.
Untuk alur agen umum, model dapat mengumpulkan materi, menggunakan alat yang terhubung, dan menyusun hasil kerja seperti dokumen, spreadsheet, dan konten slide. Pekerjaan multimodalnya mencakup bagan, halaman kompleks, pemandangan alami, dan gambar teknis. Pengaitan visual menghubungkan pertanyaan dengan objek atau wilayah; tugas rekayasa dapat memeriksa gambar yang diberikan, membandingkan bagian yang terlihat, dan mengembalikan penjelasan yang terkait dengan bukti. Dalam analisis dokumen, minta halaman, tabel, atau bagian teks spesifik yang mendukung setiap kesimpulan.
Penerapan ilmiah dan matematika mencakup analisis data, pemodelan, kode simulasi, dan tugas matematika terapan yang panjang. Pekerjaan pengetahuan mencakup penyuntingan dokumen serta spreadsheet dan perbandingan informasi dari beberapa sumber. Tugas Ailoot API dapat menetapkan kerangka laporan yang dapat disunting, kumpulan temuan terstruktur, atau kode untuk dijalankan dan diverifikasi aplikasi. Ini adalah keluaran yang berbeda: penjelasan menjawab pertanyaan, hasil terstruktur meneruskan data, dan alur berbantuan alat menggunakan aplikasi untuk membuat atau memperbarui artefak akhir.
Pelatihan Large 4 mencakup materi multibahasa dalam lebih dari 160 bahasa, termasuk semua bahasa resmi Uni Eropa. Pascapelatihannya menggabungkan fine-tuning terawasi dengan pembelajaran penguatan pada penalaran, pekerjaan ilmiah, penggunaan alat, ketepatan fakta, dan penyelarasan keamanan. Pekerjaan keamanan menangani injeksi prompt tidak langsung dan permintaan keamanan siber yang berbahaya. Pilihan keluarga tetap merupakan lini model yang diperbarui: arsitektur numerik, jendela konteks, dan perilaku penalaran di atas berlaku untuk edisi yang disebut secara eksplisit, yang tetap dibedakan saat memilih versi tetap.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistral-large-latest | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
| Konfigurasi | Jadwal tarif | Biaya |
|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Biaya Masukan · Token masukan $0.0044 / 1K token Keluaran · Token keluaran $0.0132 / 1K token Masukan · Pembacaan cache $0 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "mistral-large-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-large-latest', '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': 'mistral-large-latest', '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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra mistral-large-latest
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Find a report inconsistency\n\nReview these report sections. [Summary] The pilot covered 120 orders and had 6 returns. [Table] Delivered: 114; returned: 6; cancelled before dispatch: 5. Identify which totals can be reconciled and which scope is unclear. Draft a correction question for the report author, retaining section labels and avoiding an invented denominator.A source-linked finding table and a precise question about the order population and cancellations.Ensure the five cancellations are not silently added to or removed from the stated 120-order pilot.