Mistral Large 3 2512 adalah edisi Mistral AI yang disesuaikan untuk mengikuti instruksi untuk percakapan umum, pemahaman visual, dan pekerjaan perusahaan. Arsitektur sparse mixture-of-experts-nya memiliki total 675 miliar parameter, dengan 41 miliar aktif, dan jendela konteks 256k. Teks dan gambar dapat berkontribusi pada tugas yang sama, sementara jawabannya berupa teks, kode, atau hasil terstruktur.
Kemampuan dan persiapan masukan
Model menggabungkan komponen bahasa dengan encoder visual. Berikan peran yang jelas pada gambar: halaman yang harus dibaca, diagram yang harus ditafsirkan, atau layar yang harus dijelaskan. Untuk layar yang padat, berikan potongan yang memuat kontrol relevan dan pertahankan label di sekitarnya yang diperlukan untuk memahaminya. Mistral merekomendasikan bentuk gambar mendekati persegi; bagi sumber yang sangat sempit atau lebar menjadi wilayah yang berguna alih-alih mengecilkan detail penting menjadi pita yang tidak terbaca.
Pembuatnya mencantumkan percakapan multibahasa dalam puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Nyatakan bahasa keluaran, pembaca yang dituju, dan istilah yang harus dipertahankan. Untuk artikel dukungan, minta penjelasan yang dilokalkan dengan nama produk tetap sama serta daftar singkat terjemahan yang meragukan untuk diselesaikan sebelum publikasi.
Dokumen panjang dan pengetahuan perusahaan
Gunakan konteks untuk menyatukan materi terkait: teks kebijakan, spesifikasi, keputusan yang ada, dan pertanyaan yang memerlukan jawaban. Beri label pada setiap sumber dan revisinya. Permintaan yang berguna adalah: “Bandingkan tiga kebijakan onboarding ini. Kembalikan tabel berisi persyaratan bersama, pertentangan, dan pertanyaan yang belum terjawab, beserta bagian sumber untuk setiap temuan.” Artefak yang dihasilkan adalah perbandingan yang berlandaskan bagian teks yang diberikan, bukan ringkasan umum tentang topiknya.
Untuk pertanyaan dokumen, identifikasi tingkat perincian yang diinginkan dan minta bagian pendukung di samping kesimpulan. Alur Document QnA Mistral terlebih dahulu mengekstrak teks dan struktur dokumen dengan OCR, lalu menggunakan model bahasa untuk menafsirkan materi tersebut. Pertahankan nomor halaman dan judul saat menyiapkan teks hasil ekstraksi agar jawaban dapat merujuk kembali ke aslinya. URL dokumen, teks hasil ekstraksi, dan bukti gambar memiliki kebutuhan persiapan berbeda; pilih bentuk masukan yang didukung aplikasi yang Anda gunakan.
Pemrograman dan bantuan sehari-hari
Mistral menempatkan Large 3 untuk bantuan pemrograman maupun percakapan sehari-hari. Berikan fungsi yang relevan, perilaku yang diharapkan, dan kegagalan yang diamati. Misalnya: “Parser ini menghilangkan bidang terakhir ketika masukan berakhir tanpa baris baru. Jelaskan cabang yang gagal, usulkan perubahan terkecil, dan kembalikan fungsi yang telah diperbaiki dengan tiga contoh masukan/keluaran yang mewakili kasus penggunaan.” Hasil yang berguna berupa usulan perubahan yang terkait dengan kode aktual dan kumpulan kasus yang dapat dijalankan pengembang.
Untuk draf bisnis, berikan fakta dan artefak yang diinginkan bersama-sama. Permintaan mengubah catatan rapat menjadi memo keputusan harus menyebut keputusan, alternatif, asumsi yang belum terselesaikan, dan tindakan berikutnya. Minta model memisahkan fakta sumber dari rekomendasi dan menandai informasi yang belum tersedia dalam bagian yang sesuai. Ini membuat keluaran lebih mudah direvisi daripada narasi tanpa pembedaan.
Alat dan hasil terstruktur
Pemanggilan fungsi bawaan memungkinkan model memilih fungsi yang diberikan dan menyiapkan argumennya. Aplikasi menjalankan fungsi tersebut dan mengembalikan hasilnya; model kemudian menggunakan informasi yang dikembalikan dalam jawaban. Pastikan alat spesifik dan sediakan hanya yang dibutuhkan tugas. Asisten pemeriksaan stok dapat menerima referensi produk, meminta pencarian stok, dan menjelaskan jumlah serta gudang yang dikembalikan. Validasi fungsi dan argumen terpilih sebelum menjalankan permintaan, serta simpan respons alat bersama jawaban akhir.
Untuk ekstraksi, tentukan bidang, tipe, dan penanganan nilai yang tidak tersedia. Mistral mendokumentasikan mode JSON dan keluaran terstruktur khusus; mode JSON-nya memerlukan instruksi eksplisit untuk mengembalikan JSON, sedangkan skema khusus menyediakan kontrol format yang lebih kuat. Ringkasan faktur dapat meminta pemasok, nomor faktur, tanggal jatuh tempo, mata uang, dan item per baris, dengan nilai yang tidak tersedia direpresentasikan secara konsisten. Periksa nilai hasil ekstraksi terhadap dokumen, meskipun respons cocok dengan struktur yang diminta.
Pengaturan dan perbedaan edisi
Tetapkan peran, tugas, dan aturan alat dalam instruksi sistem. Mistral merekomendasikan temperature di bawah 0.1 untuk penggunaan produksi dan sehari-hari pada checkpoint ini, dengan nilai lebih tinggi yang dapat dicoba untuk tugas kreatif. Pisahkan permintaan ide beragam dari permintaan ekstraksi yang dapat direproduksi: berikan ruang untuk alternatif pada yang pertama, serta bidang eksplisit dan batasan sumber pada yang kedua.
Edisi instruksi ini terpisah dari checkpoint dasar Large 3 dan dari model penalaran khusus. Pembuatnya mengidentifikasi penalaran ketat dan pekerjaan visual khusus sebagai bidang yang mungkin lebih cocok ditangani model yang dirancang khusus untuk tugas tersebut. Untuk perhitungan sulit, berikan asumsi dan satuan, minta pemeriksaan antara, dan gunakan alat perhitungan yang tersedia untuk memverifikasi hasil. Untuk bukti visual yang padat, siapkan wilayah yang terbaca dan bandingkan jawaban dengan sumber sebelum menggunakannya dalam laporan.
", "aboutText": "Mistral Large 3 2512 adalah edisi Mistral AI yang disesuaikan untuk mengikuti instruksi untuk percakapan umum, pemahaman visual, dan pekerjaan perusahaan. Arsitektur sparse mixture-of-experts-nya memiliki total 675 miliar parameter, dengan 41 miliar aktif, dan jendela konteks 256k. Teks dan gambar dapat berkontribusi pada tugas yang sama, sementara jawabannya berupa teks, kode, atau hasil terstruktur.\n\nKemampuan dan persiapan masukan\n\nModel menggabungkan komponen bahasa dengan encoder visual. Berikan peran yang jelas pada gambar: halaman yang harus dibaca, diagram yang harus ditafsirkan, atau layar yang harus dijelaskan. Untuk layar yang padat, berikan potongan yang memuat kontrol relevan dan pertahankan label di sekitarnya yang diperlukan untuk memahaminya. Mistral merekomendasikan bentuk gambar mendekati persegi; bagi sumber yang sangat sempit atau lebar menjadi wilayah yang berguna alih-alih mengecilkan detail penting menjadi pita yang tidak terbaca.\n\nPembuatnya mencantumkan percakapan multibahasa dalam puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Nyatakan bahasa keluaran, pembaca yang dituju, dan istilah yang harus dipertahankan. Untuk artikel dukungan, minta penjelasan yang dilokalkan dengan nama produk tetap sama serta daftar singkat terjemahan yang meragukan untuk diselesaikan sebelum publikasi.\n\nDokumen panjang dan pengetahuan perusahaan\n\nGunakan konteks untuk menyatukan materi terkait: teks kebijakan, spesifikasi, keputusan yang ada, dan pertanyaan yang memerlukan jawaban. Beri label pada setiap sumber dan revisinya. Permintaan yang berguna adalah: “Bandingkan tiga kebijakan onboarding ini. Kembalikan tabel berisi persyaratan bersama, pertentangan, dan pertanyaan yang belum terjawab, beserta bagian sumber untuk setiap temuan.” Artefak yang dihasilkan adalah perbandingan yang berlandaskan bagian teks yang diberikan, bukan ringkasan umum tentang topiknya.\n\nUntuk pertanyaan dokumen, identifikasi tingkat perincian yang diinginkan dan minta bagian pendukung di samping kesimpulan. Alur Document QnA Mistral terlebih dahulu mengekstrak teks dan struktur dokumen dengan OCR, lalu menggunakan model bahasa untuk menafsirkan materi tersebut. Pertahankan nomor halaman dan judul saat menyiapkan teks hasil ekstraksi agar jawaban dapat merujuk kembali ke aslinya. URL dokumen, teks hasil ekstraksi, dan bukti gambar memiliki kebutuhan persiapan berbeda; pilih bentuk masukan yang didukung aplikasi yang Anda gunakan.\n\nPemrograman dan bantuan sehari-hari\n\nMistral menempatkan Large 3 untuk bantuan pemrograman maupun percakapan sehari-hari. Berikan fungsi yang relevan, perilaku yang diharapkan, dan kegagalan yang diamati. Misalnya: “Parser ini menghilangkan bidang terakhir ketika masukan berakhir tanpa baris baru. Jelaskan cabang yang gagal, usulkan perubahan terkecil, dan kembalikan fungsi yang telah diperbaiki dengan tiga contoh masukan/keluaran yang mewakili kasus penggunaan.” Hasil yang berguna berupa usulan perubahan yang terkait dengan kode aktual dan kumpulan kasus yang dapat dijalankan pengembang.\n\nUntuk draf bisnis, berikan fakta dan artefak yang diinginkan bersama-sama. Permintaan mengubah catatan rapat menjadi memo keputusan harus menyebut keputusan, alternatif, asumsi yang belum terselesaikan, dan tindakan berikutnya. Minta model memisahkan fakta sumber dari rekomendasi dan menandai informasi yang belum tersedia dalam bagian yang sesuai. Ini membuat keluaran lebih mudah direvisi daripada narasi tanpa pembedaan.\n\nAlat dan hasil terstruktur\n\nPemanggilan fungsi bawaan memungkinkan model memilih fungsi yang diberikan dan menyiapkan argumennya. Aplikasi menjalankan fungsi tersebut dan mengembalikan hasilnya; model kemudian menggunakan informasi yang dikembalikan dalam jawaban. Pastikan alat spesifik dan sediakan hanya yang dibutuhkan tugas. Asisten pemeriksaan stok dapat menerima referensi produk, meminta pencarian stok, dan menjelaskan jumlah serta gudang yang dikembalikan. Validasi fungsi dan argumen terpilih sebelum menjalankan permintaan, serta simpan respons alat bersama jawaban akhir.\n\nUntuk ekstraksi, tentukan bidang, tipe, dan penanganan nilai yang tidak tersedia. Mistral mendokumentasikan mode JSON dan keluaran terstruktur khusus; mode JSON-nya memerlukan instruksi eksplisit untuk mengembalikan JSON, sedangkan skema khusus menyediakan kontrol format yang lebih kuat. Ringkasan faktur dapat meminta pemasok, nomor faktur, tanggal jatuh tempo, mata uang, dan item per baris, dengan nilai yang tidak tersedia direpresentasikan secara konsisten. Periksa nilai hasil ekstraksi terhadap dokumen, meskipun respons cocok dengan struktur yang diminta.\n\nPengaturan dan perbedaan edisi\n\nTetapkan peran, tugas, dan aturan alat dalam instruksi sistem. Mistral merekomendasikan temperature di bawah 0.1 untuk penggunaan produksi dan sehari-hari pada checkpoint ini, dengan nilai lebih tinggi yang dapat dicoba untuk tugas kreatif. Pisahkan permintaan ide beragam dari permintaan ekstraksi yang dapat direproduksi: berikan ruang untuk alternatif pada yang pertama, serta bidang eksplisit dan batasan sumber pada yang kedua.\n\nEdisi instruksi ini terpisah dari checkpoint dasar Large 3 dan dari model penalaran khusus. Pembuatnya mengidentifikasi penalaran ketat dan pekerjaan visual khusus sebagai bidang yang mungkin lebih cocok ditangani model yang dirancang khusus untuk tugas tersebut. Untuk perhitungan sulit, berikan asumsi dan satuan, minta pemeriksaan antara, dan gunakan alat perhitungan yang tersedia untuk memverifikasi hasil. Untuk bukti visual yang padat, siapkan wilayah yang terbaca dan bandingkan jawaban dengan sumber sebelum menggunakannya dalam laporan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral Large 3 2512 adalah model teks dan gambar multibahasa untuk dokumen panjang, pengetahuan perusahaan, pemrograman, dan pekerjaan berbantuan alat. Konteks 256k, pemanggilan fungsi bawaan, dan keluaran terstrukturnya membantu mengubah bukti yang diberikan menjadi jawaban, rekaman, dan usulan tindakan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Large 3 2512 adalah edisi Mistral AI yang disesuaikan untuk mengikuti instruksi untuk percakapan umum, pemahaman visual, dan pekerjaan perusahaan. Arsitektur sparse mixture-of-experts-nya memiliki total 675 miliar parameter, dengan 41 miliar aktif, dan jendela konteks 256k. Teks dan gambar dapat berkontribusi pada tugas yang sama, sementara jawabannya berupa teks, kode, atau hasil terstruktur.
Kemampuan dan persiapan masukan
Model menggabungkan komponen bahasa dengan encoder visual. Berikan peran yang jelas pada gambar: halaman yang harus dibaca, diagram yang harus ditafsirkan, atau layar yang harus dijelaskan. Untuk layar yang padat, berikan potongan yang memuat kontrol relevan dan pertahankan label di sekitarnya yang diperlukan untuk memahaminya. Mistral merekomendasikan bentuk gambar mendekati persegi; bagi sumber yang sangat sempit atau lebar menjadi wilayah yang berguna alih-alih mengecilkan detail penting menjadi pita yang tidak terbaca.
Pembuatnya mencantumkan percakapan multibahasa dalam puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Nyatakan bahasa keluaran, pembaca yang dituju, dan istilah yang harus dipertahankan. Untuk artikel dukungan, minta penjelasan yang dilokalkan dengan nama produk tetap sama serta daftar singkat terjemahan yang meragukan untuk diselesaikan sebelum publikasi.
Dokumen panjang dan pengetahuan perusahaan
Gunakan konteks untuk menyatukan materi terkait: teks kebijakan, spesifikasi, keputusan yang ada, dan pertanyaan yang memerlukan jawaban. Beri label pada setiap sumber dan revisinya. Permintaan yang berguna adalah: “Bandingkan tiga kebijakan onboarding ini. Kembalikan tabel berisi persyaratan bersama, pertentangan, dan pertanyaan yang belum terjawab, beserta bagian sumber untuk setiap temuan.” Artefak yang dihasilkan adalah perbandingan yang berlandaskan bagian teks yang diberikan, bukan ringkasan umum tentang topiknya.
Untuk pertanyaan dokumen, identifikasi tingkat perincian yang diinginkan dan minta bagian pendukung di samping kesimpulan. Alur Document QnA Mistral terlebih dahulu mengekstrak teks dan struktur dokumen dengan OCR, lalu menggunakan model bahasa untuk menafsirkan materi tersebut. Pertahankan nomor halaman dan judul saat menyiapkan teks hasil ekstraksi agar jawaban dapat merujuk kembali ke aslinya. URL dokumen, teks hasil ekstraksi, dan bukti gambar memiliki kebutuhan persiapan berbeda; pilih bentuk masukan yang didukung aplikasi yang Anda gunakan.
Pemrograman dan bantuan sehari-hari
Mistral menempatkan Large 3 untuk bantuan pemrograman maupun percakapan sehari-hari. Berikan fungsi yang relevan, perilaku yang diharapkan, dan kegagalan yang diamati. Misalnya: “Parser ini menghilangkan bidang terakhir ketika masukan berakhir tanpa baris baru. Jelaskan cabang yang gagal, usulkan perubahan terkecil, dan kembalikan fungsi yang telah diperbaiki dengan tiga contoh masukan/keluaran yang mewakili kasus penggunaan.” Hasil yang berguna berupa usulan perubahan yang terkait dengan kode aktual dan kumpulan kasus yang dapat dijalankan pengembang.
Untuk draf bisnis, berikan fakta dan artefak yang diinginkan bersama-sama. Permintaan mengubah catatan rapat menjadi memo keputusan harus menyebut keputusan, alternatif, asumsi yang belum terselesaikan, dan tindakan berikutnya. Minta model memisahkan fakta sumber dari rekomendasi dan menandai informasi yang belum tersedia dalam bagian yang sesuai. Ini membuat keluaran lebih mudah direvisi daripada narasi tanpa pembedaan.
Alat dan hasil terstruktur
Pemanggilan fungsi bawaan memungkinkan model memilih fungsi yang diberikan dan menyiapkan argumennya. Aplikasi menjalankan fungsi tersebut dan mengembalikan hasilnya; model kemudian menggunakan informasi yang dikembalikan dalam jawaban. Pastikan alat spesifik dan sediakan hanya yang dibutuhkan tugas. Asisten pemeriksaan stok dapat menerima referensi produk, meminta pencarian stok, dan menjelaskan jumlah serta gudang yang dikembalikan. Validasi fungsi dan argumen terpilih sebelum menjalankan permintaan, serta simpan respons alat bersama jawaban akhir.
Untuk ekstraksi, tentukan bidang, tipe, dan penanganan nilai yang tidak tersedia. Mistral mendokumentasikan mode JSON dan keluaran terstruktur khusus; mode JSON-nya memerlukan instruksi eksplisit untuk mengembalikan JSON, sedangkan skema khusus menyediakan kontrol format yang lebih kuat. Ringkasan faktur dapat meminta pemasok, nomor faktur, tanggal jatuh tempo, mata uang, dan item per baris, dengan nilai yang tidak tersedia direpresentasikan secara konsisten. Periksa nilai hasil ekstraksi terhadap dokumen, meskipun respons cocok dengan struktur yang diminta.
Pengaturan dan perbedaan edisi
Tetapkan peran, tugas, dan aturan alat dalam instruksi sistem. Mistral merekomendasikan temperature di bawah 0.1 untuk penggunaan produksi dan sehari-hari pada checkpoint ini, dengan nilai lebih tinggi yang dapat dicoba untuk tugas kreatif. Pisahkan permintaan ide beragam dari permintaan ekstraksi yang dapat direproduksi: berikan ruang untuk alternatif pada yang pertama, serta bidang eksplisit dan batasan sumber pada yang kedua.
Edisi instruksi ini terpisah dari checkpoint dasar Large 3 dan dari model penalaran khusus. Pembuatnya mengidentifikasi penalaran ketat dan pekerjaan visual khusus sebagai bidang yang mungkin lebih cocok ditangani model yang dirancang khusus untuk tugas tersebut. Untuk perhitungan sulit, berikan asumsi dan satuan, minta pemeriksaan antara, dan gunakan alat perhitungan yang tersedia untuk memverifikasi hasil. Untuk bukti visual yang padat, siapkan wilayah yang terbaca dan bandingkan jawaban dengan sumber sebelum menggunakannya dalam laporan.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-large-2512 | 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 $0.0022 / 1K token Keluaran · Token keluaran $0.0066 / 1K token Masukan · Pembacaan cache $0.0001 / 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 $0.0022 / 1K token Keluaran · Token keluaran $0.0066 / 1K token Masukan · Pembacaan cache $0.0001 / 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-2512", "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-2512',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-2512',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-2512
Gunakan jalur metode yang ditampilkan di atas.
mistralai/mistral-large-2512Mistral Large 3 2512 adalah model teks dan gambar multibahasa untuk dokumen panjang, pengetahuan perusahaan, pemrograman, dan pekerjaan berbantuan alat. Konteks 256k, pemanggilan fungsi bawaan, dan keluaran terstrukturnya membantu mengubah bukti yang diberikan menjadi jawaban, rekaman, dan usulan tindakan.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Large 3 2512 adalah edisi Mistral AI yang disesuaikan untuk mengikuti instruksi untuk percakapan umum, pemahaman visual, dan pekerjaan perusahaan. Arsitektur sparse mixture-of-experts-nya memiliki total 675 miliar parameter, dengan 41 miliar aktif, dan jendela konteks 256k. Teks dan gambar dapat berkontribusi pada tugas yang sama, sementara jawabannya berupa teks, kode, atau hasil terstruktur.
Kemampuan dan persiapan masukan
Model menggabungkan komponen bahasa dengan encoder visual. Berikan peran yang jelas pada gambar: halaman yang harus dibaca, diagram yang harus ditafsirkan, atau layar yang harus dijelaskan. Untuk layar yang padat, berikan potongan yang memuat kontrol relevan dan pertahankan label di sekitarnya yang diperlukan untuk memahaminya. Mistral merekomendasikan bentuk gambar mendekati persegi; bagi sumber yang sangat sempit atau lebar menjadi wilayah yang berguna alih-alih mengecilkan detail penting menjadi pita yang tidak terbaca.
Pembuatnya mencantumkan percakapan multibahasa dalam puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Nyatakan bahasa keluaran, pembaca yang dituju, dan istilah yang harus dipertahankan. Untuk artikel dukungan, minta penjelasan yang dilokalkan dengan nama produk tetap sama serta daftar singkat terjemahan yang meragukan untuk diselesaikan sebelum publikasi.
Dokumen panjang dan pengetahuan perusahaan
Gunakan konteks untuk menyatukan materi terkait: teks kebijakan, spesifikasi, keputusan yang ada, dan pertanyaan yang memerlukan jawaban. Beri label pada setiap sumber dan revisinya. Permintaan yang berguna adalah: “Bandingkan tiga kebijakan onboarding ini. Kembalikan tabel berisi persyaratan bersama, pertentangan, dan pertanyaan yang belum terjawab, beserta bagian sumber untuk setiap temuan.” Artefak yang dihasilkan adalah perbandingan yang berlandaskan bagian teks yang diberikan, bukan ringkasan umum tentang topiknya.
Untuk pertanyaan dokumen, identifikasi tingkat perincian yang diinginkan dan minta bagian pendukung di samping kesimpulan. Alur Document QnA Mistral terlebih dahulu mengekstrak teks dan struktur dokumen dengan OCR, lalu menggunakan model bahasa untuk menafsirkan materi tersebut. Pertahankan nomor halaman dan judul saat menyiapkan teks hasil ekstraksi agar jawaban dapat merujuk kembali ke aslinya. URL dokumen, teks hasil ekstraksi, dan bukti gambar memiliki kebutuhan persiapan berbeda; pilih bentuk masukan yang didukung aplikasi yang Anda gunakan.
Pemrograman dan bantuan sehari-hari
Mistral menempatkan Large 3 untuk bantuan pemrograman maupun percakapan sehari-hari. Berikan fungsi yang relevan, perilaku yang diharapkan, dan kegagalan yang diamati. Misalnya: “Parser ini menghilangkan bidang terakhir ketika masukan berakhir tanpa baris baru. Jelaskan cabang yang gagal, usulkan perubahan terkecil, dan kembalikan fungsi yang telah diperbaiki dengan tiga contoh masukan/keluaran yang mewakili kasus penggunaan.” Hasil yang berguna berupa usulan perubahan yang terkait dengan kode aktual dan kumpulan kasus yang dapat dijalankan pengembang.
Untuk draf bisnis, berikan fakta dan artefak yang diinginkan bersama-sama. Permintaan mengubah catatan rapat menjadi memo keputusan harus menyebut keputusan, alternatif, asumsi yang belum terselesaikan, dan tindakan berikutnya. Minta model memisahkan fakta sumber dari rekomendasi dan menandai informasi yang belum tersedia dalam bagian yang sesuai. Ini membuat keluaran lebih mudah direvisi daripada narasi tanpa pembedaan.
Alat dan hasil terstruktur
Pemanggilan fungsi bawaan memungkinkan model memilih fungsi yang diberikan dan menyiapkan argumennya. Aplikasi menjalankan fungsi tersebut dan mengembalikan hasilnya; model kemudian menggunakan informasi yang dikembalikan dalam jawaban. Pastikan alat spesifik dan sediakan hanya yang dibutuhkan tugas. Asisten pemeriksaan stok dapat menerima referensi produk, meminta pencarian stok, dan menjelaskan jumlah serta gudang yang dikembalikan. Validasi fungsi dan argumen terpilih sebelum menjalankan permintaan, serta simpan respons alat bersama jawaban akhir.
Untuk ekstraksi, tentukan bidang, tipe, dan penanganan nilai yang tidak tersedia. Mistral mendokumentasikan mode JSON dan keluaran terstruktur khusus; mode JSON-nya memerlukan instruksi eksplisit untuk mengembalikan JSON, sedangkan skema khusus menyediakan kontrol format yang lebih kuat. Ringkasan faktur dapat meminta pemasok, nomor faktur, tanggal jatuh tempo, mata uang, dan item per baris, dengan nilai yang tidak tersedia direpresentasikan secara konsisten. Periksa nilai hasil ekstraksi terhadap dokumen, meskipun respons cocok dengan struktur yang diminta.
Pengaturan dan perbedaan edisi
Tetapkan peran, tugas, dan aturan alat dalam instruksi sistem. Mistral merekomendasikan temperature di bawah 0.1 untuk penggunaan produksi dan sehari-hari pada checkpoint ini, dengan nilai lebih tinggi yang dapat dicoba untuk tugas kreatif. Pisahkan permintaan ide beragam dari permintaan ekstraksi yang dapat direproduksi: berikan ruang untuk alternatif pada yang pertama, serta bidang eksplisit dan batasan sumber pada yang kedua.
Edisi instruksi ini terpisah dari checkpoint dasar Large 3 dan dari model penalaran khusus. Pembuatnya mengidentifikasi penalaran ketat dan pekerjaan visual khusus sebagai bidang yang mungkin lebih cocok ditangani model yang dirancang khusus untuk tugas tersebut. Untuk perhitungan sulit, berikan asumsi dan satuan, minta pemeriksaan antara, dan gunakan alat perhitungan yang tersedia untuk memverifikasi hasil. Untuk bukti visual yang padat, siapkan wilayah yang terbaca dan bandingkan jawaban dengan sumber sebelum menggunakannya dalam laporan.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-large-2512 | 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 $0.0022 / 1K token Keluaran · Token keluaran $0.0066 / 1K token Masukan · Pembacaan cache $0.0001 / 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 $0.0022 / 1K token Keluaran · Token keluaran $0.0066 / 1K token Masukan · Pembacaan cache $0.0001 / 1K token Masukan · Penulisan cache $0 / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2512', '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-2512', '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-2512
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.