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": { "practical_html": "Esempio tecnico in inglese
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral Large 3 2512 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/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-large-2512 | 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 $0.0022 / 1K token Output · Token in output $0.0066 / 1K token Input · Lettura dalla cache $0.0001 / 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 $0.0022 / 1K token Output · Token in output $0.0066 / 1K token Input · Lettura dalla cache $0.0001 / 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-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson 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-2512
Usa i percorsi dei metodi indicati sopra.
mistralai/mistral-large-2512Mistral 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/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-large-2512 | 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 $0.0022 / 1K token Output · Token in output $0.0066 / 1K token Input · Lettura dalla cache $0.0001 / 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 $0.0022 / 1K token Output · Token in output $0.0066 / 1K token Input · Lettura dalla cache $0.0001 / 1K token Input · Scrittura nella cache $0 / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON 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-2512
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.