Mistral Large 4 è il modello multimodale generalista di Mistral AI che combina rispetto delle istruzioni, ragionamento, programmazione e lavoro agentico. Accetta testo e immagini e produce testo, inclusi spiegazioni, codice e campi strutturati. L’architettura mixture-of-experts granulare usa componenti selezionate per ogni token, anziché attivare contemporaneamente l’intero insieme di parametri.
Architettura e contesto
La pagina corrente del modello indica 1.050 miliardi di parametri totali, 52 miliardi di parametri attivi e un encoder visivo da 1,6 miliardi di parametri. La pagina di rilascio del produttore chiarisce la convenzione di conteggio: 49 miliardi di parametri attivi per token, oppure 52 miliardi includendo embedding e strati di output. Questi numeri descrivono la struttura del modello, non la lunghezza di una risposta.
Il produttore documenta una finestra di contesto di un milione di token. Usala per riunire materiale sorgente consistente, conversazione e istruzioni, definendo lo scopo dell’elaborato finale. Per una domanda su più documenti, identifica ogni documento e il suo ruolo e chiedi la posizione nella fonte accanto a ogni risultato. Un contesto ampio è utile quando requisiti, diagrammi e spiegazioni correlate devono essere considerati insieme.
Risposte strutturate e domande sui documenti
La scheda del modello elenca output strutturati, chiamate di funzione, risposte a domande sui documenti, prefissi di risposta, invio batch e conversazioni agentiche. La documentazione di Mistral sugli output strutturati distingue la modalità JSON da uno schema personalizzato. Specifica nel prompt il formato JSON richiesto; usa uno schema definito quando l’interfaccia collegata richiede una particolare struttura di campi. Un record può separare fatti delle fonti, interpretazioni e domande aperte, anziché unirli in un unico paragrafo.
Le risposte a domande sui documenti costituiscono un flusso che combina elaborazione documentale e comprensione del modello linguistico. L’OCR prepara testo, struttura e formattazione, dopodiché il modello risponde a una domanda su quel materiale. Una richiesta può individuare un requisito, confrontare affermazioni tra documenti o riepilogare le evidenze pertinenti a una decisione. La comprensione diretta delle immagini e un flusso documentale assistito da OCR sono modi correlati per preparare le evidenze; un passaggio di elaborazione documentale resta distinto da un input immagine.
Per esempio, fornisci una specifica tecnica e dei disegni, identifica la revisione in esame e chiedi una matrice dei requisiti. Ogni riga può contenere il requisito, il documento o disegno di supporto, la differenza osservata e il chiarimento ancora necessario. Conserva etichette, unità e regioni delle immagini che determinano il confronto, affinché il risultato resti collegato al materiale sorgente.
Programmazione, agenti e ragionamento visivo
Il rilascio descrive analisi di cybersicurezza, ingegneria del software, comprensione dei repository e flussi orientati al terminale. Per una revisione difensiva del codice, fornisci il percorso pertinente, il comportamento atteso e le evidenze dell’errore. Chiedi la causa, una correzione proposta ed esempi che distinguano il vecchio comportamento da quello previsto. Per una domanda sul repository, includi i moduli e le relazioni di chiamata necessari a spiegare il comportamento selezionato.
Le chiamate di funzione collegano il ragionamento agli strumenti forniti dall’applicazione. La sequenza del produttore definisce le funzioni, fornisce la domanda dell’utente, lascia preparare gli argomenti al modello, esegue la funzione scelta nell’applicazione e ne restituisce il risultato per la risposta successiva. Una chiamata proposta è distinta dall’esecuzione. La scheda elenca anche strumenti integrati nell’interfaccia per agenti e conversazioni del produttore; appartengono a quel flusso collegato, anziché aggiungere al modello una nuova modalità di input o output.
La comprensione visiva comprende documenti, grafici, scene naturali e disegni tecnici. Un compito su un disegno può chiedere quale componente etichettata soddisfi un requisito fornito, quale dimensione o annotazione supporti il risultato e quale regione richieda un esame più ravvicinato. Gli esempi di agenti visivi del rilascio combinano interpretazione e passaggi di ispezione; zoom, recupero delle informazioni e altre azioni richiedono l’ambiente di strumenti circostante.
Scienza, matematica e risultati professionali
Il produttore descrive programmazione scientifica, analisi dei dati, modellazione e ragionamento matematico tra le applicazioni previste. Fornisci equazioni, ipotesi, unità e forma richiesta del risultato. Una richiesta di programmazione scientifica può domandare un’implementazione, il significato di ogni variabile e un piano per confrontarne l’output con condizioni di riferimento. Produrre quell’implementazione è un risultato testuale; eseguire la simulazione o creare un file richiede l’ambiente applicativo.
Per il lavoro documentale professionale, fornisci i rapporti sorgente e definisci l’elaborato: tabella comparativa, spiegazione, brano revisionato o contenuto per un foglio di calcolo. Indica la base dei calcoli e conserva le posizioni nei documenti di supporto. Il rilascio descrive inoltre un addestramento multilingue in oltre 160 lingue, incluse tutte le lingue ufficiali dell’Unione europea; identifica la lingua di output e la terminologia richieste quando prepari un compito multilingue.
Limiti utili
Le modalità documentate sono input di testo e immagini con output testuale. Il contesto di un milione di token del produttore non è una specifica separata della lunghezza massima della risposta e le fonti lette non stabiliscono un limite rigido indipendente di output per questa voce. Mantieni espliciti l’edizione esatta Large 4, le evidenze preparate e gli strumenti collegati. Un record strutturato, una spiegazione o un’azione proposta sono più utili quando campi, fonti di supporto e passaggio successivo dell’applicazione vengono definiti prima della richiesta.
", "aboutText": "Mistral Large 4 è il modello multimodale generalista di Mistral AI che combina rispetto delle istruzioni, ragionamento, programmazione e lavoro agentico. Accetta testo e immagini e produce testo, inclusi spiegazioni, codice e campi strutturati. L’architettura mixture-of-experts granulare usa componenti selezionate per ogni token, anziché attivare contemporaneamente l’intero insieme di parametri.\n\nArchitettura e contesto\n\nLa pagina corrente del modello indica 1.050 miliardi di parametri totali, 52 miliardi di parametri attivi e un encoder visivo da 1,6 miliardi di parametri. La pagina di rilascio del produttore chiarisce la convenzione di conteggio: 49 miliardi di parametri attivi per token, oppure 52 miliardi includendo embedding e strati di output. Questi numeri descrivono la struttura del modello, non la lunghezza di una risposta.\n\nIl produttore documenta una finestra di contesto di un milione di token. Usala per riunire materiale sorgente consistente, conversazione e istruzioni, definendo lo scopo dell’elaborato finale. Per una domanda su più documenti, identifica ogni documento e il suo ruolo e chiedi la posizione nella fonte accanto a ogni risultato. Un contesto ampio è utile quando requisiti, diagrammi e spiegazioni correlate devono essere considerati insieme.\n\nRisposte strutturate e domande sui documenti\n\nLa scheda del modello elenca output strutturati, chiamate di funzione, risposte a domande sui documenti, prefissi di risposta, invio batch e conversazioni agentiche. La documentazione di Mistral sugli output strutturati distingue la modalità JSON da uno schema personalizzato. Specifica nel prompt il formato JSON richiesto; usa uno schema definito quando l’interfaccia collegata richiede una particolare struttura di campi. Un record può separare fatti delle fonti, interpretazioni e domande aperte, anziché unirli in un unico paragrafo.\n\nLe risposte a domande sui documenti costituiscono un flusso che combina elaborazione documentale e comprensione del modello linguistico. L’OCR prepara testo, struttura e formattazione, dopodiché il modello risponde a una domanda su quel materiale. Una richiesta può individuare un requisito, confrontare affermazioni tra documenti o riepilogare le evidenze pertinenti a una decisione. La comprensione diretta delle immagini e un flusso documentale assistito da OCR sono modi correlati per preparare le evidenze; un passaggio di elaborazione documentale resta distinto da un input immagine.\n\nPer esempio, fornisci una specifica tecnica e dei disegni, identifica la revisione in esame e chiedi una matrice dei requisiti. Ogni riga può contenere il requisito, il documento o disegno di supporto, la differenza osservata e il chiarimento ancora necessario. Conserva etichette, unità e regioni delle immagini che determinano il confronto, affinché il risultato resti collegato al materiale sorgente.\n\nProgrammazione, agenti e ragionamento visivo\n\nIl rilascio descrive analisi di cybersicurezza, ingegneria del software, comprensione dei repository e flussi orientati al terminale. Per una revisione difensiva del codice, fornisci il percorso pertinente, il comportamento atteso e le evidenze dell’errore. Chiedi la causa, una correzione proposta ed esempi che distinguano il vecchio comportamento da quello previsto. Per una domanda sul repository, includi i moduli e le relazioni di chiamata necessari a spiegare il comportamento selezionato.\n\nLe chiamate di funzione collegano il ragionamento agli strumenti forniti dall’applicazione. La sequenza del produttore definisce le funzioni, fornisce la domanda dell’utente, lascia preparare gli argomenti al modello, esegue la funzione scelta nell’applicazione e ne restituisce il risultato per la risposta successiva. Una chiamata proposta è distinta dall’esecuzione. La scheda elenca anche strumenti integrati nell’interfaccia per agenti e conversazioni del produttore; appartengono a quel flusso collegato, anziché aggiungere al modello una nuova modalità di input o output.\n\nLa comprensione visiva comprende documenti, grafici, scene naturali e disegni tecnici. Un compito su un disegno può chiedere quale componente etichettata soddisfi un requisito fornito, quale dimensione o annotazione supporti il risultato e quale regione richieda un esame più ravvicinato. Gli esempi di agenti visivi del rilascio combinano interpretazione e passaggi di ispezione; zoom, recupero delle informazioni e altre azioni richiedono l’ambiente di strumenti circostante.\n\nScienza, matematica e risultati professionali\n\nIl produttore descrive programmazione scientifica, analisi dei dati, modellazione e ragionamento matematico tra le applicazioni previste. Fornisci equazioni, ipotesi, unità e forma richiesta del risultato. Una richiesta di programmazione scientifica può domandare un’implementazione, il significato di ogni variabile e un piano per confrontarne l’output con condizioni di riferimento. Produrre quell’implementazione è un risultato testuale; eseguire la simulazione o creare un file richiede l’ambiente applicativo.\n\nPer il lavoro documentale professionale, fornisci i rapporti sorgente e definisci l’elaborato: tabella comparativa, spiegazione, brano revisionato o contenuto per un foglio di calcolo. Indica la base dei calcoli e conserva le posizioni nei documenti di supporto. Il rilascio descrive inoltre un addestramento multilingue in oltre 160 lingue, incluse tutte le lingue ufficiali dell’Unione europea; identifica la lingua di output e la terminologia richieste quando prepari un compito multilingue.\n\nLimiti utili\n\nLe modalità documentate sono input di testo e immagini con output testuale. Il contesto di un milione di token del produttore non è una specifica separata della lunghezza massima della risposta e le fonti lette non stabiliscono un limite rigido indipendente di output per questa voce. Mantieni espliciti l’edizione esatta Large 4, le evidenze preparate e gli strumenti collegati. Un record strutturato, una spiegazione o un’azione proposta sono più utili quando campi, fonti di supporto e passaggio successivo dell’applicazione vengono definiti prima della richiesta.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 è un modello per testo e immagini destinato a ragionamento, programmazione, analisi documentale e agenti guidati da strumenti. Il contesto di un milione di token dichiarato dal produttore supporta ampie raccolte di fonti, con risposte strutturate, chiamate di funzione e un’architettura mixture-of-experts granulare.
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 4 è il modello multimodale generalista di Mistral AI che combina rispetto delle istruzioni, ragionamento, programmazione e lavoro agentico. Accetta testo e immagini e produce testo, inclusi spiegazioni, codice e campi strutturati. L’architettura mixture-of-experts granulare usa componenti selezionate per ogni token, anziché attivare contemporaneamente l’intero insieme di parametri.
Architettura e contesto
La pagina corrente del modello indica 1.050 miliardi di parametri totali, 52 miliardi di parametri attivi e un encoder visivo da 1,6 miliardi di parametri. La pagina di rilascio del produttore chiarisce la convenzione di conteggio: 49 miliardi di parametri attivi per token, oppure 52 miliardi includendo embedding e strati di output. Questi numeri descrivono la struttura del modello, non la lunghezza di una risposta.
Il produttore documenta una finestra di contesto di un milione di token. Usala per riunire materiale sorgente consistente, conversazione e istruzioni, definendo lo scopo dell’elaborato finale. Per una domanda su più documenti, identifica ogni documento e il suo ruolo e chiedi la posizione nella fonte accanto a ogni risultato. Un contesto ampio è utile quando requisiti, diagrammi e spiegazioni correlate devono essere considerati insieme.
Risposte strutturate e domande sui documenti
La scheda del modello elenca output strutturati, chiamate di funzione, risposte a domande sui documenti, prefissi di risposta, invio batch e conversazioni agentiche. La documentazione di Mistral sugli output strutturati distingue la modalità JSON da uno schema personalizzato. Specifica nel prompt il formato JSON richiesto; usa uno schema definito quando l’interfaccia collegata richiede una particolare struttura di campi. Un record può separare fatti delle fonti, interpretazioni e domande aperte, anziché unirli in un unico paragrafo.
Le risposte a domande sui documenti costituiscono un flusso che combina elaborazione documentale e comprensione del modello linguistico. L’OCR prepara testo, struttura e formattazione, dopodiché il modello risponde a una domanda su quel materiale. Una richiesta può individuare un requisito, confrontare affermazioni tra documenti o riepilogare le evidenze pertinenti a una decisione. La comprensione diretta delle immagini e un flusso documentale assistito da OCR sono modi correlati per preparare le evidenze; un passaggio di elaborazione documentale resta distinto da un input immagine.
Per esempio, fornisci una specifica tecnica e dei disegni, identifica la revisione in esame e chiedi una matrice dei requisiti. Ogni riga può contenere il requisito, il documento o disegno di supporto, la differenza osservata e il chiarimento ancora necessario. Conserva etichette, unità e regioni delle immagini che determinano il confronto, affinché il risultato resti collegato al materiale sorgente.
Programmazione, agenti e ragionamento visivo
Il rilascio descrive analisi di cybersicurezza, ingegneria del software, comprensione dei repository e flussi orientati al terminale. Per una revisione difensiva del codice, fornisci il percorso pertinente, il comportamento atteso e le evidenze dell’errore. Chiedi la causa, una correzione proposta ed esempi che distinguano il vecchio comportamento da quello previsto. Per una domanda sul repository, includi i moduli e le relazioni di chiamata necessari a spiegare il comportamento selezionato.
Le chiamate di funzione collegano il ragionamento agli strumenti forniti dall’applicazione. La sequenza del produttore definisce le funzioni, fornisce la domanda dell’utente, lascia preparare gli argomenti al modello, esegue la funzione scelta nell’applicazione e ne restituisce il risultato per la risposta successiva. Una chiamata proposta è distinta dall’esecuzione. La scheda elenca anche strumenti integrati nell’interfaccia per agenti e conversazioni del produttore; appartengono a quel flusso collegato, anziché aggiungere al modello una nuova modalità di input o output.
La comprensione visiva comprende documenti, grafici, scene naturali e disegni tecnici. Un compito su un disegno può chiedere quale componente etichettata soddisfi un requisito fornito, quale dimensione o annotazione supporti il risultato e quale regione richieda un esame più ravvicinato. Gli esempi di agenti visivi del rilascio combinano interpretazione e passaggi di ispezione; zoom, recupero delle informazioni e altre azioni richiedono l’ambiente di strumenti circostante.
Scienza, matematica e risultati professionali
Il produttore descrive programmazione scientifica, analisi dei dati, modellazione e ragionamento matematico tra le applicazioni previste. Fornisci equazioni, ipotesi, unità e forma richiesta del risultato. Una richiesta di programmazione scientifica può domandare un’implementazione, il significato di ogni variabile e un piano per confrontarne l’output con condizioni di riferimento. Produrre quell’implementazione è un risultato testuale; eseguire la simulazione o creare un file richiede l’ambiente applicativo.
Per il lavoro documentale professionale, fornisci i rapporti sorgente e definisci l’elaborato: tabella comparativa, spiegazione, brano revisionato o contenuto per un foglio di calcolo. Indica la base dei calcoli e conserva le posizioni nei documenti di supporto. Il rilascio descrive inoltre un addestramento multilingue in oltre 160 lingue, incluse tutte le lingue ufficiali dell’Unione europea; identifica la lingua di output e la terminologia richieste quando prepari un compito multilingue.
Limiti utili
Le modalità documentate sono input di testo e immagini con output testuale. Il contesto di un milione di token del produttore non è una specifica separata della lunghezza massima della risposta e le fonti lette non stabiliscono un limite rigido indipendente di output per questa voce. Mantieni espliciti l’edizione esatta Large 4, le evidenze preparate e gli strumenti collegati. Un record strutturato, una spiegazione o un’azione proposta sono più utili quando campi, fonti di supporto e passaggio successivo dell’applicazione vengono definiti prima della richiesta.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-large-4-0 | 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 $0.00272 / 1K token Output · Token in output $0.00836 / 1K token Input · Lettura dalla cache $0.00028 / 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 $0.00272 / 1K token Output · Token in output $0.00836 / 1K token Input · Lettura dalla cache $0.00028 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-4-0", "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-4-0',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-4-0',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-4-0
Usa i percorsi dei metodi indicati sopra.
mistralai/mistral-large-4-0Mistral Large 4 è un modello per testo e immagini destinato a ragionamento, programmazione, analisi documentale e agenti guidati da strumenti. Il contesto di un milione di token dichiarato dal produttore supporta ampie raccolte di fonti, con risposte strutturate, chiamate di funzione e un’architettura mixture-of-experts granulare.
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 4 è il modello multimodale generalista di Mistral AI che combina rispetto delle istruzioni, ragionamento, programmazione e lavoro agentico. Accetta testo e immagini e produce testo, inclusi spiegazioni, codice e campi strutturati. L’architettura mixture-of-experts granulare usa componenti selezionate per ogni token, anziché attivare contemporaneamente l’intero insieme di parametri.
Architettura e contesto
La pagina corrente del modello indica 1.050 miliardi di parametri totali, 52 miliardi di parametri attivi e un encoder visivo da 1,6 miliardi di parametri. La pagina di rilascio del produttore chiarisce la convenzione di conteggio: 49 miliardi di parametri attivi per token, oppure 52 miliardi includendo embedding e strati di output. Questi numeri descrivono la struttura del modello, non la lunghezza di una risposta.
Il produttore documenta una finestra di contesto di un milione di token. Usala per riunire materiale sorgente consistente, conversazione e istruzioni, definendo lo scopo dell’elaborato finale. Per una domanda su più documenti, identifica ogni documento e il suo ruolo e chiedi la posizione nella fonte accanto a ogni risultato. Un contesto ampio è utile quando requisiti, diagrammi e spiegazioni correlate devono essere considerati insieme.
Risposte strutturate e domande sui documenti
La scheda del modello elenca output strutturati, chiamate di funzione, risposte a domande sui documenti, prefissi di risposta, invio batch e conversazioni agentiche. La documentazione di Mistral sugli output strutturati distingue la modalità JSON da uno schema personalizzato. Specifica nel prompt il formato JSON richiesto; usa uno schema definito quando l’interfaccia collegata richiede una particolare struttura di campi. Un record può separare fatti delle fonti, interpretazioni e domande aperte, anziché unirli in un unico paragrafo.
Le risposte a domande sui documenti costituiscono un flusso che combina elaborazione documentale e comprensione del modello linguistico. L’OCR prepara testo, struttura e formattazione, dopodiché il modello risponde a una domanda su quel materiale. Una richiesta può individuare un requisito, confrontare affermazioni tra documenti o riepilogare le evidenze pertinenti a una decisione. La comprensione diretta delle immagini e un flusso documentale assistito da OCR sono modi correlati per preparare le evidenze; un passaggio di elaborazione documentale resta distinto da un input immagine.
Per esempio, fornisci una specifica tecnica e dei disegni, identifica la revisione in esame e chiedi una matrice dei requisiti. Ogni riga può contenere il requisito, il documento o disegno di supporto, la differenza osservata e il chiarimento ancora necessario. Conserva etichette, unità e regioni delle immagini che determinano il confronto, affinché il risultato resti collegato al materiale sorgente.
Programmazione, agenti e ragionamento visivo
Il rilascio descrive analisi di cybersicurezza, ingegneria del software, comprensione dei repository e flussi orientati al terminale. Per una revisione difensiva del codice, fornisci il percorso pertinente, il comportamento atteso e le evidenze dell’errore. Chiedi la causa, una correzione proposta ed esempi che distinguano il vecchio comportamento da quello previsto. Per una domanda sul repository, includi i moduli e le relazioni di chiamata necessari a spiegare il comportamento selezionato.
Le chiamate di funzione collegano il ragionamento agli strumenti forniti dall’applicazione. La sequenza del produttore definisce le funzioni, fornisce la domanda dell’utente, lascia preparare gli argomenti al modello, esegue la funzione scelta nell’applicazione e ne restituisce il risultato per la risposta successiva. Una chiamata proposta è distinta dall’esecuzione. La scheda elenca anche strumenti integrati nell’interfaccia per agenti e conversazioni del produttore; appartengono a quel flusso collegato, anziché aggiungere al modello una nuova modalità di input o output.
La comprensione visiva comprende documenti, grafici, scene naturali e disegni tecnici. Un compito su un disegno può chiedere quale componente etichettata soddisfi un requisito fornito, quale dimensione o annotazione supporti il risultato e quale regione richieda un esame più ravvicinato. Gli esempi di agenti visivi del rilascio combinano interpretazione e passaggi di ispezione; zoom, recupero delle informazioni e altre azioni richiedono l’ambiente di strumenti circostante.
Scienza, matematica e risultati professionali
Il produttore descrive programmazione scientifica, analisi dei dati, modellazione e ragionamento matematico tra le applicazioni previste. Fornisci equazioni, ipotesi, unità e forma richiesta del risultato. Una richiesta di programmazione scientifica può domandare un’implementazione, il significato di ogni variabile e un piano per confrontarne l’output con condizioni di riferimento. Produrre quell’implementazione è un risultato testuale; eseguire la simulazione o creare un file richiede l’ambiente applicativo.
Per il lavoro documentale professionale, fornisci i rapporti sorgente e definisci l’elaborato: tabella comparativa, spiegazione, brano revisionato o contenuto per un foglio di calcolo. Indica la base dei calcoli e conserva le posizioni nei documenti di supporto. Il rilascio descrive inoltre un addestramento multilingue in oltre 160 lingue, incluse tutte le lingue ufficiali dell’Unione europea; identifica la lingua di output e la terminologia richieste quando prepari un compito multilingue.
Limiti utili
Le modalità documentate sono input di testo e immagini con output testuale. Il contesto di un milione di token del produttore non è una specifica separata della lunghezza massima della risposta e le fonti lette non stabiliscono un limite rigido indipendente di output per questa voce. Mantieni espliciti l’edizione esatta Large 4, le evidenze preparate e gli strumenti collegati. Un record strutturato, una spiegazione o un’azione proposta sono più utili quando campi, fonti di supporto e passaggio successivo dell’applicazione vengono definiti prima della richiesta.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-large-4-0 | 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 $0.00272 / 1K token Output · Token in output $0.00836 / 1K token Input · Lettura dalla cache $0.00028 / 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 $0.00272 / 1K token Output · Token in output $0.00836 / 1K token Input · Lettura dalla cache $0.00028 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-0', '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-4-0', '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-4-0
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.