Mistral Large 3 2512 è l’edizione di Mistral AI ottimizzata per seguire istruzioni, destinata a conversazione generale, comprensione visiva e lavoro aziendale. La sua architettura mixture-of-experts sparsa ha 675 miliardi di parametri totali, di cui 41 miliardi attivi, e una finestra di contesto di 256k. Testo e immagini possono contribuire allo stesso compito, mentre la risposta è testo, codice o un risultato strutturato.
Capacità e preparazione degli input
Il modello combina una componente linguistica con un encoder visivo. Assegna all’immagine un ruolo chiaro: una pagina da leggere, un diagramma da interpretare o una schermata da spiegare. Per una schermata affollata, fornisci un ritaglio con i controlli pertinenti e conserva le etichette circostanti necessarie a comprenderli. Mistral raccomanda immagini di forma vicina al quadrato; suddividi una fonte eccezionalmente stretta o larga in regioni utili, invece di ridurre dettagli importanti a una striscia illeggibile.
Il produttore elenca conversazioni multilingue in decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Indica la lingua di output, il lettore previsto e la terminologia da preservare. Per un articolo di assistenza, chiedi una spiegazione localizzata con nomi dei prodotti invariati e un breve elenco di traduzioni incerte da risolvere prima della pubblicazione.
Documenti lunghi e conoscenze aziendali
Usa il contesto per riunire materiale correlato: testo di una policy, una specifica, decisioni esistenti e la domanda che richiede risposta. Etichetta ogni fonte e la sua revisione. Una richiesta utile è: «Confronta queste tre policy di onboarding. Restituisci una tabella di requisiti condivisi, conflitti e domande senza risposta, con la sezione sorgente per ogni risultato». L’elaborato risultante è un confronto fondato sui brani forniti, anziché un riepilogo generico dell’argomento.
Per una domanda documentale, identifica il livello di dettaglio desiderato e chiedi il brano di supporto accanto alla conclusione. Il flusso Document QnA di Mistral estrae prima testo e struttura del documento con OCR, poi usa un modello linguistico per interpretare quel materiale. Conserva numeri di pagina e titoli quando prepari il testo estratto, affinché la risposta possa rimandare all’originale. URL del documento, testo estratto ed evidenze sotto forma di immagini hanno requisiti di preparazione diversi; scegli la forma di input supportata dall’applicazione che stai usando.
Programmazione e assistenza quotidiana
Mistral propone Large 3 per l’assistenza alla programmazione e per la conversazione quotidiana. Fornisci le funzioni pertinenti, il comportamento atteso e l’errore osservato. Per esempio: «Questo parser perde l’ultimo campo quando l’input termina senza un carattere di nuova riga. Spiega il ramo che provoca l’errore, proponi la modifica minima e restituisci la funzione corretta con tre esempi rappresentativi di input e output». Il risultato utile è una modifica proposta legata al codice effettivo e un insieme di casi che lo sviluppatore può eseguire.
Per una bozza aziendale, fornisci insieme fatti ed elaborato desiderato. Una richiesta di trasformare appunti di riunione in un memorandum decisionale deve indicare decisione, alternative, ipotesi irrisolte e azione successiva. Chiedi al modello di separare i fatti delle fonti dalle raccomandazioni e di segnalare le informazioni mancanti nella sezione appropriata. Questo rende l’output più facile da rivedere rispetto a una narrazione indistinta.
Strumenti e risultati strutturati
Le chiamate di funzione native consentono al modello di scegliere una funzione fornita e prepararne gli argomenti. L’applicazione esegue quella funzione e restituisce il risultato; il modello usa poi le informazioni restituite nella risposta. Mantieni specifici gli strumenti ed esponi soltanto quelli necessari al compito. Un assistente per la verifica delle scorte può ricevere un riferimento di prodotto, richiedere una ricerca delle giacenze e spiegare quantità e magazzino restituiti. Convalida funzione selezionata e argomenti prima di eseguire la richiesta e conserva la risposta dello strumento insieme alla risposta finale.
Per l’estrazione, specifica campi, tipi e trattamento dei valori mancanti. Mistral documenta modalità JSON e output strutturati personalizzati; la modalità JSON richiede un’istruzione esplicita di restituire JSON, mentre uno schema personalizzato offre un controllo più forte del formato. Un riepilogo di fattura può richiedere fornitore, numero della fattura, scadenza, valuta e voci, con una rappresentazione coerente dei valori mancanti. Verifica i valori estratti rispetto al documento anche quando la risposta corrisponde alla struttura richiesta.
Impostazioni e differenze tra edizioni
Definisci ruolo, compito e regole degli strumenti nelle istruzioni di sistema. Mistral raccomanda una temperatura inferiore a 0.1 per l’uso in produzione e quotidiano di questo checkpoint, esplorando valori maggiori per compiti creativi. Separa una richiesta di idee varie da una di estrazione riproducibile: lascia alla prima spazio per alternative e dai alla seconda campi espliciti e vincoli sulle fonti.
Questa edizione basata su istruzioni è separata dal checkpoint base Large 3 e dai modelli dedicati al ragionamento. Il produttore identifica il ragionamento rigoroso e il lavoro visivo specializzato come ambiti in cui può essere preferibile un modello progettato specificamente per quei compiti. Per un calcolo difficile, fornisci ipotesi e unità, chiedi controlli intermedi e usa uno strumento di calcolo disponibile per verificare il risultato. Per evidenze visive dense, prepara regioni leggibili e confronta la risposta con la fonte prima di usarla in un rapporto.
", "aboutText": "Mistral Large 3 2512 è l’edizione di Mistral AI ottimizzata per seguire istruzioni, destinata a conversazione generale, comprensione visiva e lavoro aziendale. La sua architettura mixture-of-experts sparsa ha 675 miliardi di parametri totali, di cui 41 miliardi attivi, e una finestra di contesto di 256k. Testo e immagini possono contribuire allo stesso compito, mentre la risposta è testo, codice o un risultato strutturato.\n\nCapacità e preparazione degli input\n\nIl modello combina una componente linguistica con un encoder visivo. Assegna all’immagine un ruolo chiaro: una pagina da leggere, un diagramma da interpretare o una schermata da spiegare. Per una schermata affollata, fornisci un ritaglio con i controlli pertinenti e conserva le etichette circostanti necessarie a comprenderli. Mistral raccomanda immagini di forma vicina al quadrato; suddividi una fonte eccezionalmente stretta o larga in regioni utili, invece di ridurre dettagli importanti a una striscia illeggibile.\n\nIl produttore elenca conversazioni multilingue in decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Indica la lingua di output, il lettore previsto e la terminologia da preservare. Per un articolo di assistenza, chiedi una spiegazione localizzata con nomi dei prodotti invariati e un breve elenco di traduzioni incerte da risolvere prima della pubblicazione.\n\nDocumenti lunghi e conoscenze aziendali\n\nUsa il contesto per riunire materiale correlato: testo di una policy, una specifica, decisioni esistenti e la domanda che richiede risposta. Etichetta ogni fonte e la sua revisione. Una richiesta utile è: «Confronta queste tre policy di onboarding. Restituisci una tabella di requisiti condivisi, conflitti e domande senza risposta, con la sezione sorgente per ogni risultato». L’elaborato risultante è un confronto fondato sui brani forniti, anziché un riepilogo generico dell’argomento.\n\nPer una domanda documentale, identifica il livello di dettaglio desiderato e chiedi il brano di supporto accanto alla conclusione. Il flusso Document QnA di Mistral estrae prima testo e struttura del documento con OCR, poi usa un modello linguistico per interpretare quel materiale. Conserva numeri di pagina e titoli quando prepari il testo estratto, affinché la risposta possa rimandare all’originale. URL del documento, testo estratto ed evidenze sotto forma di immagini hanno requisiti di preparazione diversi; scegli la forma di input supportata dall’applicazione che stai usando.\n\nProgrammazione e assistenza quotidiana\n\nMistral propone Large 3 per l’assistenza alla programmazione e per la conversazione quotidiana. Fornisci le funzioni pertinenti, il comportamento atteso e l’errore osservato. Per esempio: «Questo parser perde l’ultimo campo quando l’input termina senza un carattere di nuova riga. Spiega il ramo che provoca l’errore, proponi la modifica minima e restituisci la funzione corretta con tre esempi rappresentativi di input e output». Il risultato utile è una modifica proposta legata al codice effettivo e un insieme di casi che lo sviluppatore può eseguire.\n\nPer una bozza aziendale, fornisci insieme fatti ed elaborato desiderato. Una richiesta di trasformare appunti di riunione in un memorandum decisionale deve indicare decisione, alternative, ipotesi irrisolte e azione successiva. Chiedi al modello di separare i fatti delle fonti dalle raccomandazioni e di segnalare le informazioni mancanti nella sezione appropriata. Questo rende l’output più facile da rivedere rispetto a una narrazione indistinta.\n\nStrumenti e risultati strutturati\n\nLe chiamate di funzione native consentono al modello di scegliere una funzione fornita e prepararne gli argomenti. L’applicazione esegue quella funzione e restituisce il risultato; il modello usa poi le informazioni restituite nella risposta. Mantieni specifici gli strumenti ed esponi soltanto quelli necessari al compito. Un assistente per la verifica delle scorte può ricevere un riferimento di prodotto, richiedere una ricerca delle giacenze e spiegare quantità e magazzino restituiti. Convalida funzione selezionata e argomenti prima di eseguire la richiesta e conserva la risposta dello strumento insieme alla risposta finale.\n\nPer l’estrazione, specifica campi, tipi e trattamento dei valori mancanti. Mistral documenta modalità JSON e output strutturati personalizzati; la modalità JSON richiede un’istruzione esplicita di restituire JSON, mentre uno schema personalizzato offre un controllo più forte del formato. Un riepilogo di fattura può richiedere fornitore, numero della fattura, scadenza, valuta e voci, con una rappresentazione coerente dei valori mancanti. Verifica i valori estratti rispetto al documento anche quando la risposta corrisponde alla struttura richiesta.\n\nImpostazioni e differenze tra edizioni\n\nDefinisci ruolo, compito e regole degli strumenti nelle istruzioni di sistema. Mistral raccomanda una temperatura inferiore a 0.1 per l’uso in produzione e quotidiano di questo checkpoint, esplorando valori maggiori per compiti creativi. Separa una richiesta di idee varie da una di estrazione riproducibile: lascia alla prima spazio per alternative e dai alla seconda campi espliciti e vincoli sulle fonti.\n\nQuesta edizione basata su istruzioni è separata dal checkpoint base Large 3 e dai modelli dedicati al ragionamento. Il produttore identifica il ragionamento rigoroso e il lavoro visivo specializzato come ambiti in cui può essere preferibile un modello progettato specificamente per quei compiti. Per un calcolo difficile, fornisci ipotesi e unità, chiedi controlli intermedi e usa uno strumento di calcolo disponibile per verificare il risultato. Per evidenze visive dense, prepara regioni leggibili e confronta la risposta con la fonte prima di usarla in un rapporto.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "33532a1b6ee524df581194358b1f68e2665807a5f99cde5f86ea9a2bd51741de", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "mistralai/mistral-large-2512:batchMistral Large 3 2512 è un modello multilingue per testo e immagini destinato a documenti lunghi, conoscenze aziendali, programmazione e lavoro assistito da strumenti. Il contesto di 256k, le chiamate di funzione native e l’output strutturato aiutano a trasformare le evidenze fornite in risposte, record e azioni proposte.
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 3 2512 è l’edizione di Mistral AI ottimizzata per seguire istruzioni, destinata a conversazione generale, comprensione visiva e lavoro aziendale. La sua architettura mixture-of-experts sparsa ha 675 miliardi di parametri totali, di cui 41 miliardi attivi, e una finestra di contesto di 256k. Testo e immagini possono contribuire allo stesso compito, mentre la risposta è testo, codice o un risultato strutturato.
Capacità e preparazione degli input
Il modello combina una componente linguistica con un encoder visivo. Assegna all’immagine un ruolo chiaro: una pagina da leggere, un diagramma da interpretare o una schermata da spiegare. Per una schermata affollata, fornisci un ritaglio con i controlli pertinenti e conserva le etichette circostanti necessarie a comprenderli. Mistral raccomanda immagini di forma vicina al quadrato; suddividi una fonte eccezionalmente stretta o larga in regioni utili, invece di ridurre dettagli importanti a una striscia illeggibile.
Il produttore elenca conversazioni multilingue in decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Indica la lingua di output, il lettore previsto e la terminologia da preservare. Per un articolo di assistenza, chiedi una spiegazione localizzata con nomi dei prodotti invariati e un breve elenco di traduzioni incerte da risolvere prima della pubblicazione.
Documenti lunghi e conoscenze aziendali
Usa il contesto per riunire materiale correlato: testo di una policy, una specifica, decisioni esistenti e la domanda che richiede risposta. Etichetta ogni fonte e la sua revisione. Una richiesta utile è: «Confronta queste tre policy di onboarding. Restituisci una tabella di requisiti condivisi, conflitti e domande senza risposta, con la sezione sorgente per ogni risultato». L’elaborato risultante è un confronto fondato sui brani forniti, anziché un riepilogo generico dell’argomento.
Per una domanda documentale, identifica il livello di dettaglio desiderato e chiedi il brano di supporto accanto alla conclusione. Il flusso Document QnA di Mistral estrae prima testo e struttura del documento con OCR, poi usa un modello linguistico per interpretare quel materiale. Conserva numeri di pagina e titoli quando prepari il testo estratto, affinché la risposta possa rimandare all’originale. URL del documento, testo estratto ed evidenze sotto forma di immagini hanno requisiti di preparazione diversi; scegli la forma di input supportata dall’applicazione che stai usando.
Programmazione e assistenza quotidiana
Mistral propone Large 3 per l’assistenza alla programmazione e per la conversazione quotidiana. Fornisci le funzioni pertinenti, il comportamento atteso e l’errore osservato. Per esempio: «Questo parser perde l’ultimo campo quando l’input termina senza un carattere di nuova riga. Spiega il ramo che provoca l’errore, proponi la modifica minima e restituisci la funzione corretta con tre esempi rappresentativi di input e output». Il risultato utile è una modifica proposta legata al codice effettivo e un insieme di casi che lo sviluppatore può eseguire.
Per una bozza aziendale, fornisci insieme fatti ed elaborato desiderato. Una richiesta di trasformare appunti di riunione in un memorandum decisionale deve indicare decisione, alternative, ipotesi irrisolte e azione successiva. Chiedi al modello di separare i fatti delle fonti dalle raccomandazioni e di segnalare le informazioni mancanti nella sezione appropriata. Questo rende l’output più facile da rivedere rispetto a una narrazione indistinta.
Strumenti e risultati strutturati
Le chiamate di funzione native consentono al modello di scegliere una funzione fornita e prepararne gli argomenti. L’applicazione esegue quella funzione e restituisce il risultato; il modello usa poi le informazioni restituite nella risposta. Mantieni specifici gli strumenti ed esponi soltanto quelli necessari al compito. Un assistente per la verifica delle scorte può ricevere un riferimento di prodotto, richiedere una ricerca delle giacenze e spiegare quantità e magazzino restituiti. Convalida funzione selezionata e argomenti prima di eseguire la richiesta e conserva la risposta dello strumento insieme alla risposta finale.
Per l’estrazione, specifica campi, tipi e trattamento dei valori mancanti. Mistral documenta modalità JSON e output strutturati personalizzati; la modalità JSON richiede un’istruzione esplicita di restituire JSON, mentre uno schema personalizzato offre un controllo più forte del formato. Un riepilogo di fattura può richiedere fornitore, numero della fattura, scadenza, valuta e voci, con una rappresentazione coerente dei valori mancanti. Verifica i valori estratti rispetto al documento anche quando la risposta corrisponde alla struttura richiesta.
Impostazioni e differenze tra edizioni
Definisci ruolo, compito e regole degli strumenti nelle istruzioni di sistema. Mistral raccomanda una temperatura inferiore a 0.1 per l’uso in produzione e quotidiano di questo checkpoint, esplorando valori maggiori per compiti creativi. Separa una richiesta di idee varie da una di estrazione riproducibile: lascia alla prima spazio per alternative e dai alla seconda campi espliciti e vincoli sulle fonti.
Questa edizione basata su istruzioni è separata dal checkpoint base Large 3 e dai modelli dedicati al ragionamento. Il produttore identifica il ragionamento rigoroso e il lavoro visivo specializzato come ambiti in cui può essere preferibile un modello progettato specificamente per quei compiti. Per un calcolo difficile, fornisci ipotesi e unità, chiedi controlli intermedi e usa uno strumento di calcolo disponibile per verificare il risultato. Per evidenze visive dense, prepara regioni leggibili e confronta la risposta con la fonte prima di usarla in un rapporto.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObbligatorio | Valori e limiti /v1/chat/completions | Predefinito— |
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-large-2512:batch | Predefinito— |
Camporequests | Tipobatch_item[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Camporequests[].custom_id | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campocompletion_window | Tipostring | RequisitoFacoltativo | Valori e limiti 24h | Predefinito— |
Campoprovider | Tipoobject|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Camporequests[].body.model | Tipostring | RequisitoFacoltativo | Valori e limiti mistralai/mistral-large-2512:batch, mistralai/mistral-large-2512 | Predefinito— |
Campoprovider.only | Tipostring[] | RequisitoFacoltativo | Valori e limiti mistral | Predefinito— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoFacoltativo | Valori e limiti false, null | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattoendpoint, model, requests |
Parametromaterial_types | Contrattotext |
Parametrorepresentation | Contrattorequests[] inline; ogni elemento contiene custom_id e body |
Parametrorequest_endpoint_profile | Contratto/v1/chat/completions |
Parametrofile_material | ContrattoIl chiamante può leggere localmente i dati JSONL effettivi in UTF-8 e inserirli in requests[]. Non viene usato alcun purpose di caricamento, input_file_id o riferimento a file. Il materiale del cliente mancante o vuoto interrompe la preparazione prima del POST. |
Parametroserialization_order | Contrattoendpoint, model, provider (se fornito), completion_window (se fornito), requests per ultimo |
Parametrooptional_controls | Contrattoprovider.only, provider.allow_fallbacks, completion_window |
Parametroschema_scope | ContrattoCorpi delle richieste Chat Completions per testo nella struttura inline Batch documentata. |
Ciclo di vita: asynchronous
GET /v1/batches/{operation_id} · response.id effettivo della risposta alla creazione originale; stesso utente/chiave/gruppo
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 $0.0005 / 1K token Output · Token in output $0.0015 / 1K token Input · Lettura dalla cache $0.00005 / 1K token Input · Scrittura nella cache — / 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 $0.0005 / 1K token Output · Token in output $0.0015 / 1K token Input · Lettura dalla cache $0.00005 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-large-2512:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/mistral-large-2512:batch', 'mistralai/mistral-large-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-large-2512:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON inline di results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva il JSON completo dello stato originale, ogni result/custom_id e il corpo completo della risposta o dell'errore. Salva i results[] completati come JSONL senza filtrarli.
Conserva l'ID dell'operazione originale. La risposta 503 result_pending_check contiene X-Should-Retry:false; non reinviare mai un batch originale il cui esito è sconosciuto.
| Campo | Tipo |
|---|---|
Camporesults[].custom_id | Tipostring |
Camporesults[].response.body.choices[].message.content | Tipostring|null |
Camporesults[].error | Tipoobject|null |
Campousage | Tipoobject|null |
Campoid | Tipostring |
Campomodel | Tipostring |
Campoendpoint | Tipostring |
Campostatus | Tipostring |
Camporequest_counts | Tipoobject |
Camporesults[].id | Tipostring |
Camporesults[].response.status_code | Tipointeger |
Camporesults[].response.request_id | Tipostring |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneStruttura inline documentata non valida, chiavi duplicate, identità degli elementi non valida o conflitto con le capacità configurate del modello. | Passaggio successivoCorreggi i campi indicati prima di qualsiasi nuovo invio. |
Risposta401 · authentication_error | CondizioneChiave API non valida. | Passaggio successivoUsa la chiave Ailoot autorizzata. |
Risposta403 · permission_error | CondizioneGruppo Batch non disponibile. | Passaggio successivoVerifica le autorizzazioni della chiave e del gruppo. |
Risposta422 · invalid_request_error | CondizioneBatch usa l'addebito sul saldo; la creazione tramite abbonamento viene rifiutata. | Passaggio successivoUsa il gruppo autorizzato con addebito sul saldo. |
Risposta422 · price_unavailable | CondizioneNon è possibile formulare un preventivo per l'input Batch. | Passaggio successivoConserva la risposta; usa l'input documentato per la famiglia. |
Risposta402 · billing_error | CondizioneRiserva Batch non disponibile. | Passaggio successivoRisolvi le condizioni di ammissione prima di una nuova richiesta. |
Risposta503 · price_unavailable | CondizionePrezzo del metodo Batch o tariffe native non disponibili. | Passaggio successivoConserva la risposta; non sostituire i prezzi. |
Risposta503 · api_error | CondizioneLa rotta esatta del fornitore non è disponibile. | Passaggio successivoConserva la risposta per la riparazione della rotta. |
Risposta503 · result_pending_check | CondizioneIl risultato originale richiede una verifica; X-Should-Retry:false. | Passaggio successivoConserva operation_id/id originale e leggine lo stato; non ripetere mai il POST originale. |
Risposta404 · not_found | CondizioneL'operazione di stato Batch è assente o appartiene a un'altra identità. | Passaggio successivoUsa l'id originale esatto e lo stesso utente/chiave/gruppo. |
Ailoot Ultra mistralai/mistral-large-2512:batch
Usa i percorsi dei metodi indicati sopra.