Mistral Large 2407 è l’edizione 24.07 di Mistral Large 2 di Mistral AI. È un modello linguistico denso con 123 miliardi di parametri e una finestra di contesto di 128K. Elabora istruzioni scritte e conversazione per generare testo, codice o JSON. Questa edizione fissa resta separata dalle successive generazioni multimodali Large e da una selezione aggiornata della famiglia Large.
Il lavoro multilingue è centrale nel rilascio. Il produttore descrive il supporto per decine di lingue, tra cui inglese, francese, tedesco, spagnolo, italiano, portoghese, olandese, russo, cinese, giapponese, coreano, arabo e hindi. Per un compito documentale, specifica la lingua sorgente, la lingua della risposta e la terminologia che deve restare invariata. Un risultato utile può confrontare due brani, riepilogare un documento lungo o estrarre le informazioni necessarie a una decisione aziendale.
La programmazione è un altro punto centrale: l’addestramento copre oltre 80 linguaggi, tra cui Python, Java, C, C++, JavaScript, Bash, Swift e Fortran. Prepara un incarico software con il codice pertinente, il comportamento atteso e il vincolo da preservare. Chiedi la modifica proposta e il ragionamento che la sostiene, seguiti da controlli che affrontino l’errore osservato. Questo lega il codice generato a un risultato definito, invece di lasciare il compito a un frammento plausibile.
Il rilascio evidenzia ragionamento matematico, rispetto preciso delle istruzioni e conversazioni lunghe a più turni. L’addestramento incoraggia risposte concise e il riconoscimento delle informazioni mancanti quando una soluzione sicura non è supportata. Un prompt di soluzione dei problemi può fornire le premesse e chiedere la conclusione, i passaggi intermedi rilevanti e gli eventuali input mancanti. I turni successivi possono affinare un vincolo mantenendo disponibile la conversazione già stabilita.
Le chiamate di funzione native supportano chiamate sia parallele sia successive, e l’output JSON può trasferire informazioni a un’applicazione. Descrivi le funzioni disponibili e i relativi campi di input, poi fornisci l’obiettivo dell’utente. Il modello propone le chiamate di funzione; l’applicazione le esegue e ne restituisce i risultati prima che il modello prosegua. Conserva l’associazione tra chiamata e risultato durante tutto lo scambio. Gli esempi pubblicati per questa edizione esatta usano identificatori delle chiamate di strumenti di nove caratteri alfanumerici nel protocollo del produttore.
Per il lavoro basato sul recupero di informazioni, fornisci il materiale pertinente o lascia che sia l’applicazione circostante a recuperarlo. Chiedi che la risposta identifichi il brano a supporto di ogni conclusione. Per esempio, un assistente per le policy può confrontare la situazione di un utente con la policy fornita e restituire la regola applicabile, le evidenze e la domanda successiva da risolvere. Un compito di estrazione JSON deve definire i campi richiesti e il trattamento delle informazioni assenti dalla fonte. La generazione JSON è una capacità del modello; l’applicazione verifica comunque che il risultato corrisponda alla struttura richiesta.
Il checkpoint instruct pubblicato non ha meccanismi di moderazione integrati, come osserva esplicitamente la scheda del modello. Un’applicazione che richiede output moderati necessita di propri controlli. Anche il contesto lungo del modello resta una risorsa finita: prepara le sezioni documentali e la conversazione pertinenti, affinché la risposta richiesta abbia spazio accanto all’input.
", "aboutText": "Mistral Large 2407 è l’edizione 24.07 di Mistral Large 2 di Mistral AI. È un modello linguistico denso con 123 miliardi di parametri e una finestra di contesto di 128K. Elabora istruzioni scritte e conversazione per generare testo, codice o JSON. Questa edizione fissa resta separata dalle successive generazioni multimodali Large e da una selezione aggiornata della famiglia Large.\n\nIl lavoro multilingue è centrale nel rilascio. Il produttore descrive il supporto per decine di lingue, tra cui inglese, francese, tedesco, spagnolo, italiano, portoghese, olandese, russo, cinese, giapponese, coreano, arabo e hindi. Per un compito documentale, specifica la lingua sorgente, la lingua della risposta e la terminologia che deve restare invariata. Un risultato utile può confrontare due brani, riepilogare un documento lungo o estrarre le informazioni necessarie a una decisione aziendale.\n\nLa programmazione è un altro punto centrale: l’addestramento copre oltre 80 linguaggi, tra cui Python, Java, C, C++, JavaScript, Bash, Swift e Fortran. Prepara un incarico software con il codice pertinente, il comportamento atteso e il vincolo da preservare. Chiedi la modifica proposta e il ragionamento che la sostiene, seguiti da controlli che affrontino l’errore osservato. Questo lega il codice generato a un risultato definito, invece di lasciare il compito a un frammento plausibile.\n\nIl rilascio evidenzia ragionamento matematico, rispetto preciso delle istruzioni e conversazioni lunghe a più turni. L’addestramento incoraggia risposte concise e il riconoscimento delle informazioni mancanti quando una soluzione sicura non è supportata. Un prompt di soluzione dei problemi può fornire le premesse e chiedere la conclusione, i passaggi intermedi rilevanti e gli eventuali input mancanti. I turni successivi possono affinare un vincolo mantenendo disponibile la conversazione già stabilita.\n\nLe chiamate di funzione native supportano chiamate sia parallele sia successive, e l’output JSON può trasferire informazioni a un’applicazione. Descrivi le funzioni disponibili e i relativi campi di input, poi fornisci l’obiettivo dell’utente. Il modello propone le chiamate di funzione; l’applicazione le esegue e ne restituisce i risultati prima che il modello prosegua. Conserva l’associazione tra chiamata e risultato durante tutto lo scambio. Gli esempi pubblicati per questa edizione esatta usano identificatori delle chiamate di strumenti di nove caratteri alfanumerici nel protocollo del produttore.\n\nPer il lavoro basato sul recupero di informazioni, fornisci il materiale pertinente o lascia che sia l’applicazione circostante a recuperarlo. Chiedi che la risposta identifichi il brano a supporto di ogni conclusione. Per esempio, un assistente per le policy può confrontare la situazione di un utente con la policy fornita e restituire la regola applicabile, le evidenze e la domanda successiva da risolvere. Un compito di estrazione JSON deve definire i campi richiesti e il trattamento delle informazioni assenti dalla fonte. La generazione JSON è una capacità del modello; l’applicazione verifica comunque che il risultato corrisponda alla struttura richiesta.\n\nIl checkpoint instruct pubblicato non ha meccanismi di moderazione integrati, come osserva esplicitamente la scheda del modello. Un’applicazione che richiede output moderati necessita di propri controlli. Anche il contesto lungo del modello resta una risorsa finita: prepara le sezioni documentali e la conversazione pertinenti, affinché la risposta richiesta abbia spazio accanto all’input.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
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 è l’edizione densa da 123 miliardi di parametri di Mistral Large 2 per testo multilingue, programmazione e ragionamento su un contesto di 128K. Chiamate di funzione native, output JSON e rispetto delle istruzioni su più turni supportano flussi documentali e aziendali.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Mistral Large 2407 è l’edizione 24.07 di Mistral Large 2 di Mistral AI. È un modello linguistico denso con 123 miliardi di parametri e una finestra di contesto di 128K. Elabora istruzioni scritte e conversazione per generare testo, codice o JSON. Questa edizione fissa resta separata dalle successive generazioni multimodali Large e da una selezione aggiornata della famiglia Large.
Il lavoro multilingue è centrale nel rilascio. Il produttore descrive il supporto per decine di lingue, tra cui inglese, francese, tedesco, spagnolo, italiano, portoghese, olandese, russo, cinese, giapponese, coreano, arabo e hindi. Per un compito documentale, specifica la lingua sorgente, la lingua della risposta e la terminologia che deve restare invariata. Un risultato utile può confrontare due brani, riepilogare un documento lungo o estrarre le informazioni necessarie a una decisione aziendale.
La programmazione è un altro punto centrale: l’addestramento copre oltre 80 linguaggi, tra cui Python, Java, C, C++, JavaScript, Bash, Swift e Fortran. Prepara un incarico software con il codice pertinente, il comportamento atteso e il vincolo da preservare. Chiedi la modifica proposta e il ragionamento che la sostiene, seguiti da controlli che affrontino l’errore osservato. Questo lega il codice generato a un risultato definito, invece di lasciare il compito a un frammento plausibile.
Il rilascio evidenzia ragionamento matematico, rispetto preciso delle istruzioni e conversazioni lunghe a più turni. L’addestramento incoraggia risposte concise e il riconoscimento delle informazioni mancanti quando una soluzione sicura non è supportata. Un prompt di soluzione dei problemi può fornire le premesse e chiedere la conclusione, i passaggi intermedi rilevanti e gli eventuali input mancanti. I turni successivi possono affinare un vincolo mantenendo disponibile la conversazione già stabilita.
Le chiamate di funzione native supportano chiamate sia parallele sia successive, e l’output JSON può trasferire informazioni a un’applicazione. Descrivi le funzioni disponibili e i relativi campi di input, poi fornisci l’obiettivo dell’utente. Il modello propone le chiamate di funzione; l’applicazione le esegue e ne restituisce i risultati prima che il modello prosegua. Conserva l’associazione tra chiamata e risultato durante tutto lo scambio. Gli esempi pubblicati per questa edizione esatta usano identificatori delle chiamate di strumenti di nove caratteri alfanumerici nel protocollo del produttore.
Per il lavoro basato sul recupero di informazioni, fornisci il materiale pertinente o lascia che sia l’applicazione circostante a recuperarlo. Chiedi che la risposta identifichi il brano a supporto di ogni conclusione. Per esempio, un assistente per le policy può confrontare la situazione di un utente con la policy fornita e restituire la regola applicabile, le evidenze e la domanda successiva da risolvere. Un compito di estrazione JSON deve definire i campi richiesti e il trattamento delle informazioni assenti dalla fonte. La generazione JSON è una capacità del modello; l’applicazione verifica comunque che il risultato corrisponda alla struttura richiesta.
Il checkpoint instruct pubblicato non ha meccanismi di moderazione integrati, come osserva esplicitamente la scheda del modello. Un’applicazione che richiede output moderati necessita di propri controlli. Anche il contesto lungo del modello resta una risorsa finita: prepara le sezioni documentali e la conversazione pertinenti, affinché la risposta richiesta abbia spazio accanto all’input.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-large-2407 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: system, user, assistant, tool, function Condizioni: Questi ruoli sono rappresentati esplicitamente dai tipi di compatibilità del codice sorgente; l’insieme esatto dei ruoli rimane specifico del modello. Dipende dal modello | Predefinito— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].tool_call_id | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: role=tool; usa l’ID effettivamente restituito | Predefinito— |
Campomessages[].name | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campomessages[].reasoning_content | Tipostring | RequisitoFacoltativo | Valori e limiti Si applica quando: Reinserisci il ragionamento effettivamente restituito quando il modello lo utilizza | Predefinito— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campomax_completion_tokens | Tipointeger | RequisitoFacoltativo | Valori e limiti Minimo: 1 Dipende dal modello | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotop_p | Tiponumber | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campostop | Tipostring|string[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools | Tipofunction_tool[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campotools[].type | Tipostring | RequisitoFacoltativo | Valori e limiti function Dipende dal modello | Predefinito— |
Campotools[].function.name | Tipostring | RequisitoObbligatorio | Valori e limiti Si applica quando: Funzione fornita come strumento | Predefinito— |
Campotools[].function.description | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotool_choice | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoparallel_tool_calls | Tipoboolean | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporesponse_format | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning_effort | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camporeasoning | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Camposervice_tier | Tipostring | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoinstructions | Tipostring | RequisitoFacoltativo | Valori e limiti Campo di compatibilità | Predefinito— |
Campofunctions | Tipofunction[] | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campofunction_call | Tipostring|object | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campoprompt_cache_options | Tipoobject | RequisitoFacoltativo | Valori e limiti Dipende dal modello | Predefinito— |
Campomodalities | Tipostring[] | RequisitoFacoltativo | Valori e limiti text | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options viene rifiutato su questa rotta testuale Ultra | Predefinito— |
Campocache_control.ttl | Tipostring | RequisitoFacoltativo | Valori e limiti Condizioni: 1h viene rifiutato nelle posizioni effettive della cache dei prompt | Predefinito— |
Testo · Testo UTF8
messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages |
Parametromaterial_types | Contrattotext |
Parametromessages | ContrattoArray di messaggi con struttura role/content |
Parametrofile_material | ContrattoDocumento UTF-8 effettivo inserito come testo letterale; nessun ID di file dedotto |
Parametrooptional_controls | Contrattostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrocontrol_scope | ContrattoSpecifico del modello; gli strumenti di funzione dell’utente differiscono dagli strumenti ospitati |
Parametrooutput_modalities | Contrattotext |
Parametrohosted_operations | Contrattofalse |
Parametromultimodal_input_binding | Contrattonull |
Ciclo di vita: synchronous_or_streamed
Invia l’ID esatto del modello con messages.
La lunghezza del contesto non è un limite di uscita.
Un file di testo può fornire testo letterale; gli ingressi immagine/audio/oggetto file richiedono un’associazione esatta.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.01 / 1K token Output · Token in output $0.02 / 1K token Input · Lettura dalla cache $0.0004 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.01 / 1K token Output · Token in output $0.02 / 1K token Input · Lettura dalla cache $0.0004 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva ogni scelta con contenuto, chiamate agli strumenti e ragionamento. In SSE assembla i delta per indice di scelta e strumento e conserva il motivo finale di completamento e i dati di utilizzo.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra mistralai/mistral-large-2407
Usa i percorsi dei metodi indicati sopra.
mistralai/mistral-large-2407Mistral Large 2407 è l’edizione densa da 123 miliardi di parametri di Mistral Large 2 per testo multilingue, programmazione e ragionamento su un contesto di 128K. Chiamate di funzione native, output JSON e rispetto delle istruzioni su più turni supportano flussi documentali e aziendali.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Mistral Large 2407 è l’edizione 24.07 di Mistral Large 2 di Mistral AI. È un modello linguistico denso con 123 miliardi di parametri e una finestra di contesto di 128K. Elabora istruzioni scritte e conversazione per generare testo, codice o JSON. Questa edizione fissa resta separata dalle successive generazioni multimodali Large e da una selezione aggiornata della famiglia Large.
Il lavoro multilingue è centrale nel rilascio. Il produttore descrive il supporto per decine di lingue, tra cui inglese, francese, tedesco, spagnolo, italiano, portoghese, olandese, russo, cinese, giapponese, coreano, arabo e hindi. Per un compito documentale, specifica la lingua sorgente, la lingua della risposta e la terminologia che deve restare invariata. Un risultato utile può confrontare due brani, riepilogare un documento lungo o estrarre le informazioni necessarie a una decisione aziendale.
La programmazione è un altro punto centrale: l’addestramento copre oltre 80 linguaggi, tra cui Python, Java, C, C++, JavaScript, Bash, Swift e Fortran. Prepara un incarico software con il codice pertinente, il comportamento atteso e il vincolo da preservare. Chiedi la modifica proposta e il ragionamento che la sostiene, seguiti da controlli che affrontino l’errore osservato. Questo lega il codice generato a un risultato definito, invece di lasciare il compito a un frammento plausibile.
Il rilascio evidenzia ragionamento matematico, rispetto preciso delle istruzioni e conversazioni lunghe a più turni. L’addestramento incoraggia risposte concise e il riconoscimento delle informazioni mancanti quando una soluzione sicura non è supportata. Un prompt di soluzione dei problemi può fornire le premesse e chiedere la conclusione, i passaggi intermedi rilevanti e gli eventuali input mancanti. I turni successivi possono affinare un vincolo mantenendo disponibile la conversazione già stabilita.
Le chiamate di funzione native supportano chiamate sia parallele sia successive, e l’output JSON può trasferire informazioni a un’applicazione. Descrivi le funzioni disponibili e i relativi campi di input, poi fornisci l’obiettivo dell’utente. Il modello propone le chiamate di funzione; l’applicazione le esegue e ne restituisce i risultati prima che il modello prosegua. Conserva l’associazione tra chiamata e risultato durante tutto lo scambio. Gli esempi pubblicati per questa edizione esatta usano identificatori delle chiamate di strumenti di nove caratteri alfanumerici nel protocollo del produttore.
Per il lavoro basato sul recupero di informazioni, fornisci il materiale pertinente o lascia che sia l’applicazione circostante a recuperarlo. Chiedi che la risposta identifichi il brano a supporto di ogni conclusione. Per esempio, un assistente per le policy può confrontare la situazione di un utente con la policy fornita e restituire la regola applicabile, le evidenze e la domanda successiva da risolvere. Un compito di estrazione JSON deve definire i campi richiesti e il trattamento delle informazioni assenti dalla fonte. La generazione JSON è una capacità del modello; l’applicazione verifica comunque che il risultato corrisponda alla struttura richiesta.
Il checkpoint instruct pubblicato non ha meccanismi di moderazione integrati, come osserva esplicitamente la scheda del modello. Un’applicazione che richiede output moderati necessita di propri controlli. Anche il contesto lungo del modello resta una risorsa finita: prepara le sezioni documentali e la conversazione pertinenti, affinché la risposta richiesta abbia spazio accanto all’input.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-large-2407 | Predefinito— |
Campomessages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomessages[].role | Tipostring | RequisitoObbligatorio | Valori e limiti user, assistant | Predefinito— |
Campomessages[].content | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campomax_tokens | Tipointeger | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campostream | Tipoboolean | RequisitoFacoltativo | Valori e limiti | Predefinitofalse |
Testo · Testo UTF-8
Stringa messages[].content
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, messages, max_tokens |
Parametrooptional_controls | Contrattostream |
Parametromaterial_types | Contrattotext |
Parametrotext_file_material | ContrattoLeggi il documento UTF-8 effettivo e inserisci il testo nell’ingresso indicato o nella stringa del contenuto del messaggio. |
Ciclo di vita: synchronous_or_streamed
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.01 / 1K token Output · Token in output $0.02 / 1K token Input · Lettura dalla cache $0.0004 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneFascia 1 di lunghezza della richiesta | Listino delle tariffe— | Token di contesto, più di0 | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.01 / 1K token Output · Token in output $0.02 / 1K token Input · Lettura dalla cache $0.0004 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "mistralai/mistral-large-2407",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 o SSE
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva tutti i blocchi di contenuto, le firme di ragionamento e gli ID effettivi di utilizzo degli strumenti. Assembla tutti i delta dei blocchi SSE; il primo blocco di testo non è l’uscita completa.
Conserva gli ID e le intestazioni di richiesta/risposta. Non viene fornito alcun URL generico per recuperare un’attività testuale.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Ailoot Ultra mistralai/mistral-large-2407
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
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.