Mistral Medium 3.5 adalah model dense 128B dari Mistral AI yang menggabungkan kepatuhan terhadap instruksi, penalaran, dan pemrograman dalam satu set bobot. Model ini menerima teks dan gambar serta mengembalikan teks. Pembuatnya menempatkan model ini untuk tugas agen dan pemrograman, sementara checkpoint yang sama dapat menghasilkan jawaban percakapan langsung atau menggunakan mode penalaran yang terdokumentasi untuk tugas yang lebih rumit.
Model terpadu dan kemampuan visual
Kartu yang dirilis menetapkan 128 miliar parameter dense dan jendela konteks 256k. Encoder visualnya dilatih untuk menangani berbagai ukuran dan rasio aspek gambar. Gambar dapat menjadi bukti bagi tugas pemrograman atau dokumen: tangkapan layar antarmuka, diagram yang menyertai persyaratan, atau halaman yang memuat informasi yang harus ditafsirkan model. Hasilnya dapat berupa penjelasan tertulis, kode, atau bidang terstruktur, bukan gambar yang dihasilkan.
Pembuatnya menjelaskan dukungan multibahasa untuk puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Kepatuhan terhadap prompt sistem dan pemanggilan fungsi bawaan dengan keluaran JSON juga ditonjolkan. Tetapkan audiens, bahasa, dan aturan respons secara terpisah dari materi yang diperiksa agar redaksi dokumen sumber tetap berperan sebagai bukti untuk tugas.
Pengaturan penalaran
Kartu model mendokumentasikan dua nilai upaya penalaran per permintaan. Nilai none menghasilkan jawaban bergaya instruksi tanpa mode penalaran; high mengaktifkan penalaran dan direkomendasikan untuk prompt kompleks serta pemrograman berbasis agen. Ini adalah pilihan mode dalam checkpoint Medium 3.5 yang sama, bukan identitas model yang berbeda.
Untuk upaya penalaran high, pembuatnya merekomendasikan temperature 0.7 dan top-p 0.95. Untuk none, dokumentasinya menyebut temperature antara 0.0 dan 0.7 sesuai tugas, dengan top-p tidak diatur atau ditetapkan ke 1.0. Ini adalah rekomendasi rilis. Pilih tujuan keluaran terlebih dahulu: ekstraksi bidang yang ringkas, perubahan kode beserta penjelasan, atau perbandingan yang memerlukan beberapa keputusan beralasan.
Tugas penalaran praktis dapat menyediakan persyaratan, implementasi, dan masukan yang menunjukkan ketidaksesuaian. Minta model mengidentifikasi jalur yang relevan, menjelaskan perbedaannya, dan mengusulkan perubahan terkecil yang mempertahankan antarmuka publik. Minta kode yang direvisi secara terpisah dari asumsi dan contohnya. Model menghasilkan usulan; kompilasi, menjalankan, dan menerapkannya memerlukan lingkungan pengembangan yang terhubung dengan agen.
Alat, dokumen, dan penyuntingan yang dapat diprediksi
Kartu layanan dari pembuatnya juga mencantumkan keluaran terstruktur, predicted outputs, pertanyaan dokumen, prefiks respons, pemrosesan batch, dan percakapan agen. Untuk ekstraksi, tetapkan nama bidang, tipe, dan penanganan nilai yang tidak tersedia. Mode JSON menyediakan representasi terstruktur, sedangkan skema khusus menetapkan bentuk yang lebih spesifik dalam antarmuka yang terhubung. Minta hanya rekaman ketika program akan mengurainya, dan penjelasan terpisah ketika seseorang perlu memeriksa penafsirannya.
Tanya jawab dokumen menggabungkan teks dan struktur yang disiapkan melalui OCR dengan pemahaman model bahasa. Untuk perbandingan, identifikasi dokumen dan kondisi yang dinilai, lalu minta setiap temuan beserta lokasi sumbernya. Keluaran yang berguna dapat memisahkan persyaratan bersama, perbedaan pendapat, dan pertanyaan terbuka. Pertanyaan gambar langsung dapat berfokus pada label bagan atau elemen antarmuka; mempertahankan judul, satuan, dan peran gambar membantu menjaga jawaban tetap terkait dengan materi yang diberikan.
Predicted outputs didokumentasikan untuk tugas yang sebagian besar jawabannya sudah diketahui, seperti menghasilkan ulang berkas kode atau dokumen dengan penyuntingan terbatas. Berikan konten yang ada dan identifikasi perubahan spesifik, sambil mempertahankan bagian yang harus tetap sama. Ini berbeda dari meminta artefak yang sepenuhnya baru atau melanjutkan dari prefiks respons yang sudah diketahui. Fitur layanan menjelaskan opsi pengiriman dan pemformatan; fitur tersebut tidak mengubah masukan teks dan gambar atau keluaran teks model.
Dalam alur berbantuan alat, aplikasi menyediakan deskripsi fungsi dan parameter, model memilih fungsi serta menyiapkan argumen, dan aplikasi menjalankannya serta mengembalikan hasil. Alat perhitungan dapat menerima nilai yang dibaca dari gambar yang diberikan, sedangkan alat pencarian dapat menyediakan informasi yang belum tersedia untuk jawaban berikutnya. Jaga hasil alat tetap terkait dengan operasi yang menghasilkannya. Penalaran berbasis agen bergantung pada lingkungan tersebut, bukan pada generasi teks semata untuk menjalankan tindakan eksternal.
Menyiapkan sesi panjang
Gunakan konteks 256k untuk kode sumber, dokumen, dan riwayat percakapan yang berkaitan, serta pastikan tujuan aktual tetap eksplisit. Sesi pemrograman dapat mempertahankan modul, pemanggilnya, dan persyaratan sambil meminta satu perubahan yang terdefinisi. Sesi dokumen dapat menyatukan bagian yang relevan sambil mengembalikan tabel singkat atau bagian teks yang direvisi. Kapasitas konteks tidak menetapkan panjang jawaban maksimum yang terpisah; contoh generasi 1.024 token dalam kartu model adalah ilustrasi, bukan batas tersebut.
Pembuatnya mencatat bahwa konfigurasi rilis terdahulu mengandung kesalahan konteks panjang yang telah diperbaiki, termasuk relevansinya bagi checkpoint turunan. Pertahankan konfigurasi rilis yang telah diperbaiki saat menggunakan bobot untuk sesi panjang. Mode hibrida dan arsitektur 128B Medium 3.5 tidak boleh dilekatkan pada Medium 3.1 atau checkpoint draft-head yang bernama terpisah hanya karena namanya berada dalam keluarga yang sama.
", "aboutText": "Mistral Medium 3.5 adalah model dense 128B dari Mistral AI yang menggabungkan kepatuhan terhadap instruksi, penalaran, dan pemrograman dalam satu set bobot. Model ini menerima teks dan gambar serta mengembalikan teks. Pembuatnya menempatkan model ini untuk tugas agen dan pemrograman, sementara checkpoint yang sama dapat menghasilkan jawaban percakapan langsung atau menggunakan mode penalaran yang terdokumentasi untuk tugas yang lebih rumit.\n\nModel terpadu dan kemampuan visual\n\nKartu yang dirilis menetapkan 128 miliar parameter dense dan jendela konteks 256k. Encoder visualnya dilatih untuk menangani berbagai ukuran dan rasio aspek gambar. Gambar dapat menjadi bukti bagi tugas pemrograman atau dokumen: tangkapan layar antarmuka, diagram yang menyertai persyaratan, atau halaman yang memuat informasi yang harus ditafsirkan model. Hasilnya dapat berupa penjelasan tertulis, kode, atau bidang terstruktur, bukan gambar yang dihasilkan.\n\nPembuatnya menjelaskan dukungan multibahasa untuk puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Kepatuhan terhadap prompt sistem dan pemanggilan fungsi bawaan dengan keluaran JSON juga ditonjolkan. Tetapkan audiens, bahasa, dan aturan respons secara terpisah dari materi yang diperiksa agar redaksi dokumen sumber tetap berperan sebagai bukti untuk tugas.\n\nPengaturan penalaran\n\nKartu model mendokumentasikan dua nilai upaya penalaran per permintaan. Nilai none menghasilkan jawaban bergaya instruksi tanpa mode penalaran; high mengaktifkan penalaran dan direkomendasikan untuk prompt kompleks serta pemrograman berbasis agen. Ini adalah pilihan mode dalam checkpoint Medium 3.5 yang sama, bukan identitas model yang berbeda.\n\nUntuk upaya penalaran high, pembuatnya merekomendasikan temperature 0.7 dan top-p 0.95. Untuk none, dokumentasinya menyebut temperature antara 0.0 dan 0.7 sesuai tugas, dengan top-p tidak diatur atau ditetapkan ke 1.0. Ini adalah rekomendasi rilis. Pilih tujuan keluaran terlebih dahulu: ekstraksi bidang yang ringkas, perubahan kode beserta penjelasan, atau perbandingan yang memerlukan beberapa keputusan beralasan.\n\nTugas penalaran praktis dapat menyediakan persyaratan, implementasi, dan masukan yang menunjukkan ketidaksesuaian. Minta model mengidentifikasi jalur yang relevan, menjelaskan perbedaannya, dan mengusulkan perubahan terkecil yang mempertahankan antarmuka publik. Minta kode yang direvisi secara terpisah dari asumsi dan contohnya. Model menghasilkan usulan; kompilasi, menjalankan, dan menerapkannya memerlukan lingkungan pengembangan yang terhubung dengan agen.\n\nAlat, dokumen, dan penyuntingan yang dapat diprediksi\n\nKartu layanan dari pembuatnya juga mencantumkan keluaran terstruktur, predicted outputs, pertanyaan dokumen, prefiks respons, pemrosesan batch, dan percakapan agen. Untuk ekstraksi, tetapkan nama bidang, tipe, dan penanganan nilai yang tidak tersedia. Mode JSON menyediakan representasi terstruktur, sedangkan skema khusus menetapkan bentuk yang lebih spesifik dalam antarmuka yang terhubung. Minta hanya rekaman ketika program akan mengurainya, dan penjelasan terpisah ketika seseorang perlu memeriksa penafsirannya.\n\nTanya jawab dokumen menggabungkan teks dan struktur yang disiapkan melalui OCR dengan pemahaman model bahasa. Untuk perbandingan, identifikasi dokumen dan kondisi yang dinilai, lalu minta setiap temuan beserta lokasi sumbernya. Keluaran yang berguna dapat memisahkan persyaratan bersama, perbedaan pendapat, dan pertanyaan terbuka. Pertanyaan gambar langsung dapat berfokus pada label bagan atau elemen antarmuka; mempertahankan judul, satuan, dan peran gambar membantu menjaga jawaban tetap terkait dengan materi yang diberikan.\n\nPredicted outputs didokumentasikan untuk tugas yang sebagian besar jawabannya sudah diketahui, seperti menghasilkan ulang berkas kode atau dokumen dengan penyuntingan terbatas. Berikan konten yang ada dan identifikasi perubahan spesifik, sambil mempertahankan bagian yang harus tetap sama. Ini berbeda dari meminta artefak yang sepenuhnya baru atau melanjutkan dari prefiks respons yang sudah diketahui. Fitur layanan menjelaskan opsi pengiriman dan pemformatan; fitur tersebut tidak mengubah masukan teks dan gambar atau keluaran teks model.\n\nDalam alur berbantuan alat, aplikasi menyediakan deskripsi fungsi dan parameter, model memilih fungsi serta menyiapkan argumen, dan aplikasi menjalankannya serta mengembalikan hasil. Alat perhitungan dapat menerima nilai yang dibaca dari gambar yang diberikan, sedangkan alat pencarian dapat menyediakan informasi yang belum tersedia untuk jawaban berikutnya. Jaga hasil alat tetap terkait dengan operasi yang menghasilkannya. Penalaran berbasis agen bergantung pada lingkungan tersebut, bukan pada generasi teks semata untuk menjalankan tindakan eksternal.\n\nMenyiapkan sesi panjang\n\nGunakan konteks 256k untuk kode sumber, dokumen, dan riwayat percakapan yang berkaitan, serta pastikan tujuan aktual tetap eksplisit. Sesi pemrograman dapat mempertahankan modul, pemanggilnya, dan persyaratan sambil meminta satu perubahan yang terdefinisi. Sesi dokumen dapat menyatukan bagian yang relevan sambil mengembalikan tabel singkat atau bagian teks yang direvisi. Kapasitas konteks tidak menetapkan panjang jawaban maksimum yang terpisah; contoh generasi 1.024 token dalam kartu model adalah ilustrasi, bukan batas tersebut.\n\nPembuatnya mencatat bahwa konfigurasi rilis terdahulu mengandung kesalahan konteks panjang yang telah diperbaiki, termasuk relevansinya bagi checkpoint turunan. Pertahankan konfigurasi rilis yang telah diperbaiki saat menggunakan bobot untuk sesi panjang. Mode hibrida dan arsitektur 128B Medium 3.5 tidak boleh dilekatkan pada Medium 3.1 atau checkpoint draft-head yang bernama terpisah hanya karena namanya berada dalam keluarga yang sama.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral Medium 3.5 menggabungkan kepatuhan terhadap instruksi, penalaran, dan pemrograman dalam model teks dan gambar dense 128B. Model ini memiliki konteks 256k dari pembuatnya, pengaturan penalaran per permintaan, pemanggilan fungsi bawaan, dan keluaran terstruktur untuk alur dokumen serta agen.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Medium 3.5 adalah model dense 128B dari Mistral AI yang menggabungkan kepatuhan terhadap instruksi, penalaran, dan pemrograman dalam satu set bobot. Model ini menerima teks dan gambar serta mengembalikan teks. Pembuatnya menempatkan model ini untuk tugas agen dan pemrograman, sementara checkpoint yang sama dapat menghasilkan jawaban percakapan langsung atau menggunakan mode penalaran yang terdokumentasi untuk tugas yang lebih rumit.
Model terpadu dan kemampuan visual
Kartu yang dirilis menetapkan 128 miliar parameter dense dan jendela konteks 256k. Encoder visualnya dilatih untuk menangani berbagai ukuran dan rasio aspek gambar. Gambar dapat menjadi bukti bagi tugas pemrograman atau dokumen: tangkapan layar antarmuka, diagram yang menyertai persyaratan, atau halaman yang memuat informasi yang harus ditafsirkan model. Hasilnya dapat berupa penjelasan tertulis, kode, atau bidang terstruktur, bukan gambar yang dihasilkan.
Pembuatnya menjelaskan dukungan multibahasa untuk puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Kepatuhan terhadap prompt sistem dan pemanggilan fungsi bawaan dengan keluaran JSON juga ditonjolkan. Tetapkan audiens, bahasa, dan aturan respons secara terpisah dari materi yang diperiksa agar redaksi dokumen sumber tetap berperan sebagai bukti untuk tugas.
Pengaturan penalaran
Kartu model mendokumentasikan dua nilai upaya penalaran per permintaan. Nilai none menghasilkan jawaban bergaya instruksi tanpa mode penalaran; high mengaktifkan penalaran dan direkomendasikan untuk prompt kompleks serta pemrograman berbasis agen. Ini adalah pilihan mode dalam checkpoint Medium 3.5 yang sama, bukan identitas model yang berbeda.
Untuk upaya penalaran high, pembuatnya merekomendasikan temperature 0.7 dan top-p 0.95. Untuk none, dokumentasinya menyebut temperature antara 0.0 dan 0.7 sesuai tugas, dengan top-p tidak diatur atau ditetapkan ke 1.0. Ini adalah rekomendasi rilis. Pilih tujuan keluaran terlebih dahulu: ekstraksi bidang yang ringkas, perubahan kode beserta penjelasan, atau perbandingan yang memerlukan beberapa keputusan beralasan.
Tugas penalaran praktis dapat menyediakan persyaratan, implementasi, dan masukan yang menunjukkan ketidaksesuaian. Minta model mengidentifikasi jalur yang relevan, menjelaskan perbedaannya, dan mengusulkan perubahan terkecil yang mempertahankan antarmuka publik. Minta kode yang direvisi secara terpisah dari asumsi dan contohnya. Model menghasilkan usulan; kompilasi, menjalankan, dan menerapkannya memerlukan lingkungan pengembangan yang terhubung dengan agen.
Alat, dokumen, dan penyuntingan yang dapat diprediksi
Kartu layanan dari pembuatnya juga mencantumkan keluaran terstruktur, predicted outputs, pertanyaan dokumen, prefiks respons, pemrosesan batch, dan percakapan agen. Untuk ekstraksi, tetapkan nama bidang, tipe, dan penanganan nilai yang tidak tersedia. Mode JSON menyediakan representasi terstruktur, sedangkan skema khusus menetapkan bentuk yang lebih spesifik dalam antarmuka yang terhubung. Minta hanya rekaman ketika program akan mengurainya, dan penjelasan terpisah ketika seseorang perlu memeriksa penafsirannya.
Tanya jawab dokumen menggabungkan teks dan struktur yang disiapkan melalui OCR dengan pemahaman model bahasa. Untuk perbandingan, identifikasi dokumen dan kondisi yang dinilai, lalu minta setiap temuan beserta lokasi sumbernya. Keluaran yang berguna dapat memisahkan persyaratan bersama, perbedaan pendapat, dan pertanyaan terbuka. Pertanyaan gambar langsung dapat berfokus pada label bagan atau elemen antarmuka; mempertahankan judul, satuan, dan peran gambar membantu menjaga jawaban tetap terkait dengan materi yang diberikan.
Predicted outputs didokumentasikan untuk tugas yang sebagian besar jawabannya sudah diketahui, seperti menghasilkan ulang berkas kode atau dokumen dengan penyuntingan terbatas. Berikan konten yang ada dan identifikasi perubahan spesifik, sambil mempertahankan bagian yang harus tetap sama. Ini berbeda dari meminta artefak yang sepenuhnya baru atau melanjutkan dari prefiks respons yang sudah diketahui. Fitur layanan menjelaskan opsi pengiriman dan pemformatan; fitur tersebut tidak mengubah masukan teks dan gambar atau keluaran teks model.
Dalam alur berbantuan alat, aplikasi menyediakan deskripsi fungsi dan parameter, model memilih fungsi serta menyiapkan argumen, dan aplikasi menjalankannya serta mengembalikan hasil. Alat perhitungan dapat menerima nilai yang dibaca dari gambar yang diberikan, sedangkan alat pencarian dapat menyediakan informasi yang belum tersedia untuk jawaban berikutnya. Jaga hasil alat tetap terkait dengan operasi yang menghasilkannya. Penalaran berbasis agen bergantung pada lingkungan tersebut, bukan pada generasi teks semata untuk menjalankan tindakan eksternal.
Menyiapkan sesi panjang
Gunakan konteks 256k untuk kode sumber, dokumen, dan riwayat percakapan yang berkaitan, serta pastikan tujuan aktual tetap eksplisit. Sesi pemrograman dapat mempertahankan modul, pemanggilnya, dan persyaratan sambil meminta satu perubahan yang terdefinisi. Sesi dokumen dapat menyatukan bagian yang relevan sambil mengembalikan tabel singkat atau bagian teks yang direvisi. Kapasitas konteks tidak menetapkan panjang jawaban maksimum yang terpisah; contoh generasi 1.024 token dalam kartu model adalah ilustrasi, bukan batas tersebut.
Pembuatnya mencatat bahwa konfigurasi rilis terdahulu mengandung kesalahan konteks panjang yang telah diperbaiki, termasuk relevansinya bagi checkpoint turunan. Pertahankan konfigurasi rilis yang telah diperbaiki saat menggunakan bobot untuk sesi panjang. Mode hibrida dan arsitektur 128B Medium 3.5 tidak boleh dilekatkan pada Medium 3.1 atau checkpoint draft-head yang bernama terpisah hanya karena namanya berada dalam keluarga yang sama.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-medium-3-5 | 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 $0.003 / 1K token Keluaran · Token keluaran $0.015 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 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 $0.003 / 1K token Keluaran · Token keluaran $0.015 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3-5", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-medium-3-5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-medium-3-5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-medium-3-5
Gunakan jalur metode yang ditampilkan di atas.
mistralai/mistral-medium-3-5Mistral Medium 3.5 menggabungkan kepatuhan terhadap instruksi, penalaran, dan pemrograman dalam model teks dan gambar dense 128B. Model ini memiliki konteks 256k dari pembuatnya, pengaturan penalaran per permintaan, pemanggilan fungsi bawaan, dan keluaran terstruktur untuk alur dokumen serta agen.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Mistral Medium 3.5 adalah model dense 128B dari Mistral AI yang menggabungkan kepatuhan terhadap instruksi, penalaran, dan pemrograman dalam satu set bobot. Model ini menerima teks dan gambar serta mengembalikan teks. Pembuatnya menempatkan model ini untuk tugas agen dan pemrograman, sementara checkpoint yang sama dapat menghasilkan jawaban percakapan langsung atau menggunakan mode penalaran yang terdokumentasi untuk tugas yang lebih rumit.
Model terpadu dan kemampuan visual
Kartu yang dirilis menetapkan 128 miliar parameter dense dan jendela konteks 256k. Encoder visualnya dilatih untuk menangani berbagai ukuran dan rasio aspek gambar. Gambar dapat menjadi bukti bagi tugas pemrograman atau dokumen: tangkapan layar antarmuka, diagram yang menyertai persyaratan, atau halaman yang memuat informasi yang harus ditafsirkan model. Hasilnya dapat berupa penjelasan tertulis, kode, atau bidang terstruktur, bukan gambar yang dihasilkan.
Pembuatnya menjelaskan dukungan multibahasa untuk puluhan bahasa, termasuk Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Mandarin, Jepang, Korea, dan Arab. Kepatuhan terhadap prompt sistem dan pemanggilan fungsi bawaan dengan keluaran JSON juga ditonjolkan. Tetapkan audiens, bahasa, dan aturan respons secara terpisah dari materi yang diperiksa agar redaksi dokumen sumber tetap berperan sebagai bukti untuk tugas.
Pengaturan penalaran
Kartu model mendokumentasikan dua nilai upaya penalaran per permintaan. Nilai none menghasilkan jawaban bergaya instruksi tanpa mode penalaran; high mengaktifkan penalaran dan direkomendasikan untuk prompt kompleks serta pemrograman berbasis agen. Ini adalah pilihan mode dalam checkpoint Medium 3.5 yang sama, bukan identitas model yang berbeda.
Untuk upaya penalaran high, pembuatnya merekomendasikan temperature 0.7 dan top-p 0.95. Untuk none, dokumentasinya menyebut temperature antara 0.0 dan 0.7 sesuai tugas, dengan top-p tidak diatur atau ditetapkan ke 1.0. Ini adalah rekomendasi rilis. Pilih tujuan keluaran terlebih dahulu: ekstraksi bidang yang ringkas, perubahan kode beserta penjelasan, atau perbandingan yang memerlukan beberapa keputusan beralasan.
Tugas penalaran praktis dapat menyediakan persyaratan, implementasi, dan masukan yang menunjukkan ketidaksesuaian. Minta model mengidentifikasi jalur yang relevan, menjelaskan perbedaannya, dan mengusulkan perubahan terkecil yang mempertahankan antarmuka publik. Minta kode yang direvisi secara terpisah dari asumsi dan contohnya. Model menghasilkan usulan; kompilasi, menjalankan, dan menerapkannya memerlukan lingkungan pengembangan yang terhubung dengan agen.
Alat, dokumen, dan penyuntingan yang dapat diprediksi
Kartu layanan dari pembuatnya juga mencantumkan keluaran terstruktur, predicted outputs, pertanyaan dokumen, prefiks respons, pemrosesan batch, dan percakapan agen. Untuk ekstraksi, tetapkan nama bidang, tipe, dan penanganan nilai yang tidak tersedia. Mode JSON menyediakan representasi terstruktur, sedangkan skema khusus menetapkan bentuk yang lebih spesifik dalam antarmuka yang terhubung. Minta hanya rekaman ketika program akan mengurainya, dan penjelasan terpisah ketika seseorang perlu memeriksa penafsirannya.
Tanya jawab dokumen menggabungkan teks dan struktur yang disiapkan melalui OCR dengan pemahaman model bahasa. Untuk perbandingan, identifikasi dokumen dan kondisi yang dinilai, lalu minta setiap temuan beserta lokasi sumbernya. Keluaran yang berguna dapat memisahkan persyaratan bersama, perbedaan pendapat, dan pertanyaan terbuka. Pertanyaan gambar langsung dapat berfokus pada label bagan atau elemen antarmuka; mempertahankan judul, satuan, dan peran gambar membantu menjaga jawaban tetap terkait dengan materi yang diberikan.
Predicted outputs didokumentasikan untuk tugas yang sebagian besar jawabannya sudah diketahui, seperti menghasilkan ulang berkas kode atau dokumen dengan penyuntingan terbatas. Berikan konten yang ada dan identifikasi perubahan spesifik, sambil mempertahankan bagian yang harus tetap sama. Ini berbeda dari meminta artefak yang sepenuhnya baru atau melanjutkan dari prefiks respons yang sudah diketahui. Fitur layanan menjelaskan opsi pengiriman dan pemformatan; fitur tersebut tidak mengubah masukan teks dan gambar atau keluaran teks model.
Dalam alur berbantuan alat, aplikasi menyediakan deskripsi fungsi dan parameter, model memilih fungsi serta menyiapkan argumen, dan aplikasi menjalankannya serta mengembalikan hasil. Alat perhitungan dapat menerima nilai yang dibaca dari gambar yang diberikan, sedangkan alat pencarian dapat menyediakan informasi yang belum tersedia untuk jawaban berikutnya. Jaga hasil alat tetap terkait dengan operasi yang menghasilkannya. Penalaran berbasis agen bergantung pada lingkungan tersebut, bukan pada generasi teks semata untuk menjalankan tindakan eksternal.
Menyiapkan sesi panjang
Gunakan konteks 256k untuk kode sumber, dokumen, dan riwayat percakapan yang berkaitan, serta pastikan tujuan aktual tetap eksplisit. Sesi pemrograman dapat mempertahankan modul, pemanggilnya, dan persyaratan sambil meminta satu perubahan yang terdefinisi. Sesi dokumen dapat menyatukan bagian yang relevan sambil mengembalikan tabel singkat atau bagian teks yang direvisi. Kapasitas konteks tidak menetapkan panjang jawaban maksimum yang terpisah; contoh generasi 1.024 token dalam kartu model adalah ilustrasi, bukan batas tersebut.
Pembuatnya mencatat bahwa konfigurasi rilis terdahulu mengandung kesalahan konteks panjang yang telah diperbaiki, termasuk relevansinya bagi checkpoint turunan. Pertahankan konfigurasi rilis yang telah diperbaiki saat menggunakan bobot untuk sesi panjang. Mode hibrida dan arsitektur 128B Medium 3.5 tidak boleh dilekatkan pada Medium 3.1 atau checkpoint draft-head yang bernama terpisah hanya karena namanya berada dalam keluarga yang sama.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan mistralai/mistral-medium-3-5 | 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 $0.003 / 1K token Keluaran · Token keluaran $0.015 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 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 $0.003 / 1K token Keluaran · Token keluaran $0.015 / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3-5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3-5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-medium-3-5
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.