Mistral Large 2407 adalah edisi 24.07 dari Mistral Large 2 milik Mistral AI. Model bahasa dense ini memiliki 123 miliar parameter dan jendela konteks 128K. Model memproses instruksi tertulis dan percakapan untuk menghasilkan teks, kode, atau JSON. Edisi tetap ini terpisah dari generasi Large multimodal berikutnya dan dari pilihan keluarga Large yang terus diperbarui.
Pekerjaan multibahasa merupakan inti rilis ini. Pembuatnya menjelaskan dukungan untuk puluhan bahasa, termasuk Inggris, Prancis, Jerman, Spanyol, Italia, Portugis, Belanda, Rusia, Mandarin, Jepang, Korea, Arab, dan Hindi. Untuk tugas dokumen, tentukan bahasa sumber, bahasa jawaban, dan istilah yang harus tetap sama. Hasil yang berguna dapat membandingkan dua bagian teks, merangkum rekaman panjang, atau mengekstrak informasi yang diperlukan untuk keputusan bisnis.
Pemrograman merupakan fokus utama lainnya: pelatihan mencakup lebih dari 80 bahasa pemrograman, termasuk Python, Java, C, C++, JavaScript, Bash, Swift, dan Fortran. Siapkan penugasan perangkat lunak dengan kode yang relevan, perilaku yang diharapkan, dan batasan yang harus dipertahankan. Minta usulan perubahan beserta alasan di baliknya, diikuti pemeriksaan yang menangani kegagalan yang diamati. Ini mengaitkan kode yang dihasilkan dengan hasil yang terdefinisi alih-alih membiarkan tugas berakhir pada cuplikan yang sekadar tampak masuk akal.
Rilis ini menekankan penalaran matematika, kepatuhan instruksi yang presisi, dan percakapan panjang beberapa giliran. Pelatihannya mendorong respons ringkas dan pengakuan atas informasi yang belum tersedia ketika solusi yang meyakinkan tidak didukung bukti. Prompt pemecahan masalah dapat memberikan premis dan meminta kesimpulan, langkah antara yang penting, serta masukan yang belum tersedia. Giliran lanjutan dapat menyempurnakan batasan sambil mempertahankan percakapan yang sudah terbentuk.
Pemanggilan fungsi bawaan mendukung pemanggilan paralel maupun berurutan, dan keluaran JSON dapat meneruskan informasi kepada aplikasi. Jelaskan fungsi yang tersedia dan bidang masukannya, lalu berikan tujuan pengguna. Model mengusulkan pemanggilan fungsi; aplikasi menjalankannya dan mengembalikan hasil sebelum model melanjutkan. Pertahankan hubungan pemanggilan dengan hasil sepanjang pertukaran tersebut. Contoh yang dipublikasikan untuk edisi ini menggunakan pengenal pemanggilan alat berupa sembilan karakter alfanumerik dalam protokol pembuatnya.
Untuk pekerjaan berbasis pengambilan informasi, berikan materi yang relevan atau biarkan aplikasi di sekeliling model mengambilnya. Minta jawaban mengidentifikasi bagian teks yang mendukung setiap kesimpulan. Misalnya, asisten kebijakan dapat membandingkan situasi pengguna dengan kebijakan yang diberikan dan mengembalikan aturan yang berlaku, bukti, serta pertanyaan berikutnya yang perlu diselesaikan. Tugas ekstraksi JSON harus menetapkan bidang yang diwajibkan dan penanganan informasi yang tidak ada dalam sumber. Generasi JSON adalah kemampuan model; aplikasi tetap memeriksa apakah hasil cocok dengan struktur yang diwajibkan.
Checkpoint instruct yang dipublikasikan tidak memiliki mekanisme moderasi bawaan, seperti dinyatakan secara eksplisit dalam kartu modelnya. Aplikasi yang memerlukan keluaran termoderasi membutuhkan kontrolnya sendiri. Konteks panjang model juga tetap merupakan sumber daya terbatas: siapkan bagian dokumen dan percakapan yang relevan agar jawaban yang diminta mendapat ruang bersama masukan.
", "aboutText": "Mistral Large 2407 adalah edisi 24.07 dari Mistral Large 2 milik Mistral AI. Model bahasa dense ini memiliki 123 miliar parameter dan jendela konteks 128K. Model memproses instruksi tertulis dan percakapan untuk menghasilkan teks, kode, atau JSON. Edisi tetap ini terpisah dari generasi Large multimodal berikutnya dan dari pilihan keluarga Large yang terus diperbarui.\n\nPekerjaan multibahasa merupakan inti rilis ini. Pembuatnya menjelaskan dukungan untuk puluhan bahasa, termasuk Inggris, Prancis, Jerman, Spanyol, Italia, Portugis, Belanda, Rusia, Mandarin, Jepang, Korea, Arab, dan Hindi. Untuk tugas dokumen, tentukan bahasa sumber, bahasa jawaban, dan istilah yang harus tetap sama. Hasil yang berguna dapat membandingkan dua bagian teks, merangkum rekaman panjang, atau mengekstrak informasi yang diperlukan untuk keputusan bisnis.\n\nPemrograman merupakan fokus utama lainnya: pelatihan mencakup lebih dari 80 bahasa pemrograman, termasuk Python, Java, C, C++, JavaScript, Bash, Swift, dan Fortran. Siapkan penugasan perangkat lunak dengan kode yang relevan, perilaku yang diharapkan, dan batasan yang harus dipertahankan. Minta usulan perubahan beserta alasan di baliknya, diikuti pemeriksaan yang menangani kegagalan yang diamati. Ini mengaitkan kode yang dihasilkan dengan hasil yang terdefinisi alih-alih membiarkan tugas berakhir pada cuplikan yang sekadar tampak masuk akal.\n\nRilis ini menekankan penalaran matematika, kepatuhan instruksi yang presisi, dan percakapan panjang beberapa giliran. Pelatihannya mendorong respons ringkas dan pengakuan atas informasi yang belum tersedia ketika solusi yang meyakinkan tidak didukung bukti. Prompt pemecahan masalah dapat memberikan premis dan meminta kesimpulan, langkah antara yang penting, serta masukan yang belum tersedia. Giliran lanjutan dapat menyempurnakan batasan sambil mempertahankan percakapan yang sudah terbentuk.\n\nPemanggilan fungsi bawaan mendukung pemanggilan paralel maupun berurutan, dan keluaran JSON dapat meneruskan informasi kepada aplikasi. Jelaskan fungsi yang tersedia dan bidang masukannya, lalu berikan tujuan pengguna. Model mengusulkan pemanggilan fungsi; aplikasi menjalankannya dan mengembalikan hasil sebelum model melanjutkan. Pertahankan hubungan pemanggilan dengan hasil sepanjang pertukaran tersebut. Contoh yang dipublikasikan untuk edisi ini menggunakan pengenal pemanggilan alat berupa sembilan karakter alfanumerik dalam protokol pembuatnya.\n\nUntuk pekerjaan berbasis pengambilan informasi, berikan materi yang relevan atau biarkan aplikasi di sekeliling model mengambilnya. Minta jawaban mengidentifikasi bagian teks yang mendukung setiap kesimpulan. Misalnya, asisten kebijakan dapat membandingkan situasi pengguna dengan kebijakan yang diberikan dan mengembalikan aturan yang berlaku, bukti, serta pertanyaan berikutnya yang perlu diselesaikan. Tugas ekstraksi JSON harus menetapkan bidang yang diwajibkan dan penanganan informasi yang tidak ada dalam sumber. Generasi JSON adalah kemampuan model; aplikasi tetap memeriksa apakah hasil cocok dengan struktur yang diwajibkan.\n\nCheckpoint instruct yang dipublikasikan tidak memiliki mekanisme moderasi bawaan, seperti dinyatakan secara eksplisit dalam kartu modelnya. Aplikasi yang memerlukan keluaran termoderasi membutuhkan kontrolnya sendiri. Konteks panjang model juga tetap merupakan sumber daya terbatas: siapkan bagian dokumen dan percakapan yang relevan agar jawaban yang diminta mendapat ruang bersama masukan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.mistralai/mistral-large-2407Mistral Large 2407 adalah edisi Mistral Large 2 dense 123B untuk teks multibahasa, pemrograman, dan penalaran dengan konteks 128K. Pemanggilan fungsi bawaan, keluaran JSON, dan kepatuhan terhadap instruksi beberapa giliran mendukung alur dokumen dan bisnis.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Large 2407 adalah edisi 24.07 dari Mistral Large 2 milik Mistral AI. Model bahasa dense ini memiliki 123 miliar parameter dan jendela konteks 128K. Model memproses instruksi tertulis dan percakapan untuk menghasilkan teks, kode, atau JSON. Edisi tetap ini terpisah dari generasi Large multimodal berikutnya dan dari pilihan keluarga Large yang terus diperbarui.
Pekerjaan multibahasa merupakan inti rilis ini. Pembuatnya menjelaskan dukungan untuk puluhan bahasa, termasuk Inggris, Prancis, Jerman, Spanyol, Italia, Portugis, Belanda, Rusia, Mandarin, Jepang, Korea, Arab, dan Hindi. Untuk tugas dokumen, tentukan bahasa sumber, bahasa jawaban, dan istilah yang harus tetap sama. Hasil yang berguna dapat membandingkan dua bagian teks, merangkum rekaman panjang, atau mengekstrak informasi yang diperlukan untuk keputusan bisnis.
Pemrograman merupakan fokus utama lainnya: pelatihan mencakup lebih dari 80 bahasa pemrograman, termasuk Python, Java, C, C++, JavaScript, Bash, Swift, dan Fortran. Siapkan penugasan perangkat lunak dengan kode yang relevan, perilaku yang diharapkan, dan batasan yang harus dipertahankan. Minta usulan perubahan beserta alasan di baliknya, diikuti pemeriksaan yang menangani kegagalan yang diamati. Ini mengaitkan kode yang dihasilkan dengan hasil yang terdefinisi alih-alih membiarkan tugas berakhir pada cuplikan yang sekadar tampak masuk akal.
Rilis ini menekankan penalaran matematika, kepatuhan instruksi yang presisi, dan percakapan panjang beberapa giliran. Pelatihannya mendorong respons ringkas dan pengakuan atas informasi yang belum tersedia ketika solusi yang meyakinkan tidak didukung bukti. Prompt pemecahan masalah dapat memberikan premis dan meminta kesimpulan, langkah antara yang penting, serta masukan yang belum tersedia. Giliran lanjutan dapat menyempurnakan batasan sambil mempertahankan percakapan yang sudah terbentuk.
Pemanggilan fungsi bawaan mendukung pemanggilan paralel maupun berurutan, dan keluaran JSON dapat meneruskan informasi kepada aplikasi. Jelaskan fungsi yang tersedia dan bidang masukannya, lalu berikan tujuan pengguna. Model mengusulkan pemanggilan fungsi; aplikasi menjalankannya dan mengembalikan hasil sebelum model melanjutkan. Pertahankan hubungan pemanggilan dengan hasil sepanjang pertukaran tersebut. Contoh yang dipublikasikan untuk edisi ini menggunakan pengenal pemanggilan alat berupa sembilan karakter alfanumerik dalam protokol pembuatnya.
Untuk pekerjaan berbasis pengambilan informasi, berikan materi yang relevan atau biarkan aplikasi di sekeliling model mengambilnya. Minta jawaban mengidentifikasi bagian teks yang mendukung setiap kesimpulan. Misalnya, asisten kebijakan dapat membandingkan situasi pengguna dengan kebijakan yang diberikan dan mengembalikan aturan yang berlaku, bukti, serta pertanyaan berikutnya yang perlu diselesaikan. Tugas ekstraksi JSON harus menetapkan bidang yang diwajibkan dan penanganan informasi yang tidak ada dalam sumber. Generasi JSON adalah kemampuan model; aplikasi tetap memeriksa apakah hasil cocok dengan struktur yang diwajibkan.
Checkpoint instruct yang dipublikasikan tidak memiliki mekanisme moderasi bawaan, seperti dinyatakan secara eksplisit dalam kartu modelnya. Aplikasi yang memerlukan keluaran termoderasi membutuhkan kontrolnya sendiri. Konteks panjang model juga tetap merupakan sumber daya terbatas: siapkan bagian dokumen dan percakapan yang relevan agar jawaban yang diminta mendapat ruang bersama masukan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-large-2407 | 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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.01 / 1K token Keluaran · Token keluaran $0.02 / 1K token Masukan · Pembacaan cache $0.0004 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.01 / 1K token Keluaran · Token keluaran $0.02 / 1K token Masukan · Pembacaan cache $0.0004 / 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": "mistralai/mistral-large-2407", "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-large-2407',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-large-2407',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 mistralai/mistral-large-2407
Gunakan jalur metode yang ditampilkan di atas.
mistralai/mistral-large-2407Mistral Large 2407 adalah edisi Mistral Large 2 dense 123B untuk teks multibahasa, pemrograman, dan penalaran dengan konteks 128K. Pemanggilan fungsi bawaan, keluaran JSON, dan kepatuhan terhadap instruksi beberapa giliran mendukung alur dokumen dan bisnis.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Large 2407 adalah edisi 24.07 dari Mistral Large 2 milik Mistral AI. Model bahasa dense ini memiliki 123 miliar parameter dan jendela konteks 128K. Model memproses instruksi tertulis dan percakapan untuk menghasilkan teks, kode, atau JSON. Edisi tetap ini terpisah dari generasi Large multimodal berikutnya dan dari pilihan keluarga Large yang terus diperbarui.
Pekerjaan multibahasa merupakan inti rilis ini. Pembuatnya menjelaskan dukungan untuk puluhan bahasa, termasuk Inggris, Prancis, Jerman, Spanyol, Italia, Portugis, Belanda, Rusia, Mandarin, Jepang, Korea, Arab, dan Hindi. Untuk tugas dokumen, tentukan bahasa sumber, bahasa jawaban, dan istilah yang harus tetap sama. Hasil yang berguna dapat membandingkan dua bagian teks, merangkum rekaman panjang, atau mengekstrak informasi yang diperlukan untuk keputusan bisnis.
Pemrograman merupakan fokus utama lainnya: pelatihan mencakup lebih dari 80 bahasa pemrograman, termasuk Python, Java, C, C++, JavaScript, Bash, Swift, dan Fortran. Siapkan penugasan perangkat lunak dengan kode yang relevan, perilaku yang diharapkan, dan batasan yang harus dipertahankan. Minta usulan perubahan beserta alasan di baliknya, diikuti pemeriksaan yang menangani kegagalan yang diamati. Ini mengaitkan kode yang dihasilkan dengan hasil yang terdefinisi alih-alih membiarkan tugas berakhir pada cuplikan yang sekadar tampak masuk akal.
Rilis ini menekankan penalaran matematika, kepatuhan instruksi yang presisi, dan percakapan panjang beberapa giliran. Pelatihannya mendorong respons ringkas dan pengakuan atas informasi yang belum tersedia ketika solusi yang meyakinkan tidak didukung bukti. Prompt pemecahan masalah dapat memberikan premis dan meminta kesimpulan, langkah antara yang penting, serta masukan yang belum tersedia. Giliran lanjutan dapat menyempurnakan batasan sambil mempertahankan percakapan yang sudah terbentuk.
Pemanggilan fungsi bawaan mendukung pemanggilan paralel maupun berurutan, dan keluaran JSON dapat meneruskan informasi kepada aplikasi. Jelaskan fungsi yang tersedia dan bidang masukannya, lalu berikan tujuan pengguna. Model mengusulkan pemanggilan fungsi; aplikasi menjalankannya dan mengembalikan hasil sebelum model melanjutkan. Pertahankan hubungan pemanggilan dengan hasil sepanjang pertukaran tersebut. Contoh yang dipublikasikan untuk edisi ini menggunakan pengenal pemanggilan alat berupa sembilan karakter alfanumerik dalam protokol pembuatnya.
Untuk pekerjaan berbasis pengambilan informasi, berikan materi yang relevan atau biarkan aplikasi di sekeliling model mengambilnya. Minta jawaban mengidentifikasi bagian teks yang mendukung setiap kesimpulan. Misalnya, asisten kebijakan dapat membandingkan situasi pengguna dengan kebijakan yang diberikan dan mengembalikan aturan yang berlaku, bukti, serta pertanyaan berikutnya yang perlu diselesaikan. Tugas ekstraksi JSON harus menetapkan bidang yang diwajibkan dan penanganan informasi yang tidak ada dalam sumber. Generasi JSON adalah kemampuan model; aplikasi tetap memeriksa apakah hasil cocok dengan struktur yang diwajibkan.
Checkpoint instruct yang dipublikasikan tidak memiliki mekanisme moderasi bawaan, seperti dinyatakan secara eksplisit dalam kartu modelnya. Aplikasi yang memerlukan keluaran termoderasi membutuhkan kontrolnya sendiri. Konteks panjang model juga tetap merupakan sumber daya terbatas: siapkan bagian dokumen dan percakapan yang relevan agar jawaban yang diminta mendapat ruang bersama masukan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-large-2407 | 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.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.01 / 1K token Keluaran · Token keluaran $0.02 / 1K token Masukan · Pembacaan cache $0.0004 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.01 / 1K token Keluaran · Token keluaran $0.02 / 1K token Masukan · Pembacaan cache $0.0004 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "mistralai/mistral-large-2407",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-large-2407', '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-large-2407', '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 mistralai/mistral-large-2407
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.