Mistral Medium 3.5 è il modello denso da 128 miliardi di parametri di Mistral AI che combina rispetto delle istruzioni, ragionamento e programmazione in un unico insieme di pesi. Riceve testo e immagini e restituisce testo. Il produttore lo propone per compiti agentici e di programmazione, mentre lo stesso checkpoint può produrre una risposta conversazionale diretta o usare la modalità di ragionamento documentata per un compito più articolato.
Modello unificato e capacità visive
La scheda del rilascio specifica 128 miliardi di parametri densi e una finestra di contesto di 256k. L’encoder visivo è addestrato a gestire immagini di dimensioni e proporzioni diverse. Le immagini possono fornire evidenze a un compito di programmazione o documentale: uno screenshot di un’interfaccia, un diagramma che accompagna un requisito o una pagina contenente informazioni da interpretare. Il risultato può essere una spiegazione scritta, codice o campi strutturati, anziché un’immagine generata.
Il produttore descrive il supporto multilingue per decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Evidenzia inoltre l’aderenza al prompt di sistema e le chiamate di funzione native con output JSON. Imposta pubblico, lingua e regole della risposta separatamente dal materiale esaminato, affinché la formulazione di un documento sorgente resti un’evidenza per il compito.
Impostazioni di ragionamento
La scheda documenta due valori di intensità di ragionamento per richiesta. Il valore none fornisce una risposta basata su istruzioni senza modalità di ragionamento; high attiva il ragionamento ed è raccomandato per prompt complessi e programmazione agentica. È una scelta di modalità all’interno dello stesso checkpoint Medium 3.5, non un’identità di modello diversa.
Per un’intensità di ragionamento high, il produttore raccomanda temperatura 0.7 e top-p 0.95. Per none documenta temperature tra 0.0 e 0.7 secondo il compito e lascia top-p non impostato oppure a 1.0. Sono raccomandazioni del rilascio. Scegli prima lo scopo dell’output: un’estrazione concisa di campi, una modifica di codice con spiegazione o un confronto che richieda più decisioni motivate.
Un compito pratico di ragionamento può fornire un requisito, l’implementazione e l’input che rivela una discrepanza. Chiedi al modello di identificare il percorso pertinente, spiegare la discrepanza e proporre la modifica minima che preservi l’interfaccia pubblica. Richiedi il codice revisionato separatamente dalle ipotesi e dagli esempi. Il modello genera una proposta; compilarla, eseguirla e applicarla richiede l’ambiente di sviluppo collegato all’agente.
Strumenti, documenti e modifiche prevedibili
La scheda del servizio del produttore elenca anche output strutturati, output predetti, domande sui documenti, prefissi di risposta, elaborazione batch e conversazioni agentiche. Per l’estrazione, definisci nomi dei campi, tipi e trattamento dei valori mancanti. La modalità JSON fornisce una rappresentazione strutturata, mentre uno schema personalizzato definisce una forma più specifica nell’interfaccia collegata. Chiedi soltanto il record quando sarà analizzato da un programma e una spiegazione separata quando una persona deve esaminare l’interpretazione.
Le risposte a domande sui documenti combinano testo e struttura preparati tramite OCR con la comprensione del modello linguistico. Per un confronto, identifica i documenti e la condizione da valutare, poi richiedi ogni risultato insieme alla posizione nella fonte. Un output utile può separare requisiti condivisi, disaccordi e domande aperte. Le domande dirette sulle immagini possono concentrarsi sull’etichetta di un grafico o su un elemento dell’interfaccia; preservare titoli, unità e ruoli delle immagini aiuta a mantenere la risposta legata al materiale fornito.
Gli output predetti sono documentati per compiti in cui gran parte della risposta desiderata è già nota, come la rigenerazione di un file di codice o di un documento con modifiche limitate. Fornisci il contenuto esistente e identifica la modifica specifica, preservando le parti che devono rimanere. Questo è diverso dal chiedere un elaborato interamente nuovo o dal continuare da un prefisso di risposta noto. Le funzionalità del servizio descrivono opzioni di invio e formattazione; non cambiano gli input di testo e immagini o l’output testuale del modello.
In un flusso assistito da strumenti, l’applicazione fornisce descrizioni e parametri delle funzioni, il modello sceglie una funzione e prepara gli argomenti, e l’applicazione la esegue e restituisce il risultato. Uno strumento di calcolo può ricevere valori letti da un’immagine fornita, mentre uno strumento di ricerca può fornire le informazioni mancanti per la risposta successiva. Mantieni il risultato dello strumento associato all’operazione che lo ha prodotto. Il ragionamento agentico si basa su quell’ambiente, non sulla sola generazione di testo per eseguire azioni esterne.
Preparazione di sessioni lunghe
Usa il contesto di 256k per codice sorgente, documenti e cronologia della conversazione correlati e mantieni esplicito l’obiettivo effettivo. Una sessione di programmazione può conservare il modulo, il suo chiamante e i requisiti mentre richiede una modifica definita. Una sessione documentale può mantenere insieme le sezioni pertinenti e restituire una breve tabella o un brano revisionato. La capacità di contesto non specifica una lunghezza massima separata della risposta; l’esempio di generazione da 1.024 token della scheda è un’illustrazione, non quel limite.
Il produttore segnala che una configurazione rilasciata in precedenza conteneva un errore relativo al contesto lungo e che è stato corretto, anche per quanto riguarda la sua rilevanza per i checkpoint derivati. Conserva la configurazione corretta del rilascio quando usi i pesi per sessioni lunghe. Le modalità ibride e l’architettura da 128 miliardi di parametri di Medium 3.5 non devono essere attribuite a Medium 3.1 o a un checkpoint draft-head denominato separatamente soltanto perché i nomi condividono una famiglia.
", "aboutText": "Mistral Medium 3.5 è il modello denso da 128 miliardi di parametri di Mistral AI che combina rispetto delle istruzioni, ragionamento e programmazione in un unico insieme di pesi. Riceve testo e immagini e restituisce testo. Il produttore lo propone per compiti agentici e di programmazione, mentre lo stesso checkpoint può produrre una risposta conversazionale diretta o usare la modalità di ragionamento documentata per un compito più articolato.\n\nModello unificato e capacità visive\n\nLa scheda del rilascio specifica 128 miliardi di parametri densi e una finestra di contesto di 256k. L’encoder visivo è addestrato a gestire immagini di dimensioni e proporzioni diverse. Le immagini possono fornire evidenze a un compito di programmazione o documentale: uno screenshot di un’interfaccia, un diagramma che accompagna un requisito o una pagina contenente informazioni da interpretare. Il risultato può essere una spiegazione scritta, codice o campi strutturati, anziché un’immagine generata.\n\nIl produttore descrive il supporto multilingue per decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Evidenzia inoltre l’aderenza al prompt di sistema e le chiamate di funzione native con output JSON. Imposta pubblico, lingua e regole della risposta separatamente dal materiale esaminato, affinché la formulazione di un documento sorgente resti un’evidenza per il compito.\n\nImpostazioni di ragionamento\n\nLa scheda documenta due valori di intensità di ragionamento per richiesta. Il valore none fornisce una risposta basata su istruzioni senza modalità di ragionamento; high attiva il ragionamento ed è raccomandato per prompt complessi e programmazione agentica. È una scelta di modalità all’interno dello stesso checkpoint Medium 3.5, non un’identità di modello diversa.\n\nPer un’intensità di ragionamento high, il produttore raccomanda temperatura 0.7 e top-p 0.95. Per none documenta temperature tra 0.0 e 0.7 secondo il compito e lascia top-p non impostato oppure a 1.0. Sono raccomandazioni del rilascio. Scegli prima lo scopo dell’output: un’estrazione concisa di campi, una modifica di codice con spiegazione o un confronto che richieda più decisioni motivate.\n\nUn compito pratico di ragionamento può fornire un requisito, l’implementazione e l’input che rivela una discrepanza. Chiedi al modello di identificare il percorso pertinente, spiegare la discrepanza e proporre la modifica minima che preservi l’interfaccia pubblica. Richiedi il codice revisionato separatamente dalle ipotesi e dagli esempi. Il modello genera una proposta; compilarla, eseguirla e applicarla richiede l’ambiente di sviluppo collegato all’agente.\n\nStrumenti, documenti e modifiche prevedibili\n\nLa scheda del servizio del produttore elenca anche output strutturati, output predetti, domande sui documenti, prefissi di risposta, elaborazione batch e conversazioni agentiche. Per l’estrazione, definisci nomi dei campi, tipi e trattamento dei valori mancanti. La modalità JSON fornisce una rappresentazione strutturata, mentre uno schema personalizzato definisce una forma più specifica nell’interfaccia collegata. Chiedi soltanto il record quando sarà analizzato da un programma e una spiegazione separata quando una persona deve esaminare l’interpretazione.\n\nLe risposte a domande sui documenti combinano testo e struttura preparati tramite OCR con la comprensione del modello linguistico. Per un confronto, identifica i documenti e la condizione da valutare, poi richiedi ogni risultato insieme alla posizione nella fonte. Un output utile può separare requisiti condivisi, disaccordi e domande aperte. Le domande dirette sulle immagini possono concentrarsi sull’etichetta di un grafico o su un elemento dell’interfaccia; preservare titoli, unità e ruoli delle immagini aiuta a mantenere la risposta legata al materiale fornito.\n\nGli output predetti sono documentati per compiti in cui gran parte della risposta desiderata è già nota, come la rigenerazione di un file di codice o di un documento con modifiche limitate. Fornisci il contenuto esistente e identifica la modifica specifica, preservando le parti che devono rimanere. Questo è diverso dal chiedere un elaborato interamente nuovo o dal continuare da un prefisso di risposta noto. Le funzionalità del servizio descrivono opzioni di invio e formattazione; non cambiano gli input di testo e immagini o l’output testuale del modello.\n\nIn un flusso assistito da strumenti, l’applicazione fornisce descrizioni e parametri delle funzioni, il modello sceglie una funzione e prepara gli argomenti, e l’applicazione la esegue e restituisce il risultato. Uno strumento di calcolo può ricevere valori letti da un’immagine fornita, mentre uno strumento di ricerca può fornire le informazioni mancanti per la risposta successiva. Mantieni il risultato dello strumento associato all’operazione che lo ha prodotto. Il ragionamento agentico si basa su quell’ambiente, non sulla sola generazione di testo per eseguire azioni esterne.\n\nPreparazione di sessioni lunghe\n\nUsa il contesto di 256k per codice sorgente, documenti e cronologia della conversazione correlati e mantieni esplicito l’obiettivo effettivo. Una sessione di programmazione può conservare il modulo, il suo chiamante e i requisiti mentre richiede una modifica definita. Una sessione documentale può mantenere insieme le sezioni pertinenti e restituire una breve tabella o un brano revisionato. La capacità di contesto non specifica una lunghezza massima separata della risposta; l’esempio di generazione da 1.024 token della scheda è un’illustrazione, non quel limite.\n\nIl produttore segnala che una configurazione rilasciata in precedenza conteneva un errore relativo al contesto lungo e che è stato corretto, anche per quanto riguarda la sua rilevanza per i checkpoint derivati. Conserva la configurazione corretta del rilascio quando usi i pesi per sessioni lunghe. Le modalità ibride e l’architettura da 128 miliardi di parametri di Medium 3.5 non devono essere attribuite a Medium 3.1 o a un checkpoint draft-head denominato separatamente soltanto perché i nomi condividono una famiglia.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6180bfbeb7bcfa506698a450bf69f5bf11df4937edb8706553e1b33c75b83e29", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "mistralai/mistral-medium-3-5:batchMistral Medium 3.5 combina rispetto delle istruzioni, ragionamento e programmazione in un modello denso da 128 miliardi di parametri per testo e immagini. Ha un contesto di 256k dichiarato dal produttore, impostazioni di ragionamento per richiesta, chiamate di funzione native e output strutturati per flussi documentali e agentici.
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 Medium 3.5 è il modello denso da 128 miliardi di parametri di Mistral AI che combina rispetto delle istruzioni, ragionamento e programmazione in un unico insieme di pesi. Riceve testo e immagini e restituisce testo. Il produttore lo propone per compiti agentici e di programmazione, mentre lo stesso checkpoint può produrre una risposta conversazionale diretta o usare la modalità di ragionamento documentata per un compito più articolato.
Modello unificato e capacità visive
La scheda del rilascio specifica 128 miliardi di parametri densi e una finestra di contesto di 256k. L’encoder visivo è addestrato a gestire immagini di dimensioni e proporzioni diverse. Le immagini possono fornire evidenze a un compito di programmazione o documentale: uno screenshot di un’interfaccia, un diagramma che accompagna un requisito o una pagina contenente informazioni da interpretare. Il risultato può essere una spiegazione scritta, codice o campi strutturati, anziché un’immagine generata.
Il produttore descrive il supporto multilingue per decine di lingue, tra cui inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo. Evidenzia inoltre l’aderenza al prompt di sistema e le chiamate di funzione native con output JSON. Imposta pubblico, lingua e regole della risposta separatamente dal materiale esaminato, affinché la formulazione di un documento sorgente resti un’evidenza per il compito.
Impostazioni di ragionamento
La scheda documenta due valori di intensità di ragionamento per richiesta. Il valore none fornisce una risposta basata su istruzioni senza modalità di ragionamento; high attiva il ragionamento ed è raccomandato per prompt complessi e programmazione agentica. È una scelta di modalità all’interno dello stesso checkpoint Medium 3.5, non un’identità di modello diversa.
Per un’intensità di ragionamento high, il produttore raccomanda temperatura 0.7 e top-p 0.95. Per none documenta temperature tra 0.0 e 0.7 secondo il compito e lascia top-p non impostato oppure a 1.0. Sono raccomandazioni del rilascio. Scegli prima lo scopo dell’output: un’estrazione concisa di campi, una modifica di codice con spiegazione o un confronto che richieda più decisioni motivate.
Un compito pratico di ragionamento può fornire un requisito, l’implementazione e l’input che rivela una discrepanza. Chiedi al modello di identificare il percorso pertinente, spiegare la discrepanza e proporre la modifica minima che preservi l’interfaccia pubblica. Richiedi il codice revisionato separatamente dalle ipotesi e dagli esempi. Il modello genera una proposta; compilarla, eseguirla e applicarla richiede l’ambiente di sviluppo collegato all’agente.
Strumenti, documenti e modifiche prevedibili
La scheda del servizio del produttore elenca anche output strutturati, output predetti, domande sui documenti, prefissi di risposta, elaborazione batch e conversazioni agentiche. Per l’estrazione, definisci nomi dei campi, tipi e trattamento dei valori mancanti. La modalità JSON fornisce una rappresentazione strutturata, mentre uno schema personalizzato definisce una forma più specifica nell’interfaccia collegata. Chiedi soltanto il record quando sarà analizzato da un programma e una spiegazione separata quando una persona deve esaminare l’interpretazione.
Le risposte a domande sui documenti combinano testo e struttura preparati tramite OCR con la comprensione del modello linguistico. Per un confronto, identifica i documenti e la condizione da valutare, poi richiedi ogni risultato insieme alla posizione nella fonte. Un output utile può separare requisiti condivisi, disaccordi e domande aperte. Le domande dirette sulle immagini possono concentrarsi sull’etichetta di un grafico o su un elemento dell’interfaccia; preservare titoli, unità e ruoli delle immagini aiuta a mantenere la risposta legata al materiale fornito.
Gli output predetti sono documentati per compiti in cui gran parte della risposta desiderata è già nota, come la rigenerazione di un file di codice o di un documento con modifiche limitate. Fornisci il contenuto esistente e identifica la modifica specifica, preservando le parti che devono rimanere. Questo è diverso dal chiedere un elaborato interamente nuovo o dal continuare da un prefisso di risposta noto. Le funzionalità del servizio descrivono opzioni di invio e formattazione; non cambiano gli input di testo e immagini o l’output testuale del modello.
In un flusso assistito da strumenti, l’applicazione fornisce descrizioni e parametri delle funzioni, il modello sceglie una funzione e prepara gli argomenti, e l’applicazione la esegue e restituisce il risultato. Uno strumento di calcolo può ricevere valori letti da un’immagine fornita, mentre uno strumento di ricerca può fornire le informazioni mancanti per la risposta successiva. Mantieni il risultato dello strumento associato all’operazione che lo ha prodotto. Il ragionamento agentico si basa su quell’ambiente, non sulla sola generazione di testo per eseguire azioni esterne.
Preparazione di sessioni lunghe
Usa il contesto di 256k per codice sorgente, documenti e cronologia della conversazione correlati e mantieni esplicito l’obiettivo effettivo. Una sessione di programmazione può conservare il modulo, il suo chiamante e i requisiti mentre richiede una modifica definita. Una sessione documentale può mantenere insieme le sezioni pertinenti e restituire una breve tabella o un brano revisionato. La capacità di contesto non specifica una lunghezza massima separata della risposta; l’esempio di generazione da 1.024 token della scheda è un’illustrazione, non quel limite.
Il produttore segnala che una configurazione rilasciata in precedenza conteneva un errore relativo al contesto lungo e che è stato corretto, anche per quanto riguarda la sua rilevanza per i checkpoint derivati. Conserva la configurazione corretta del rilascio quando usi i pesi per sessioni lunghe. Le modalità ibride e l’architettura da 128 miliardi di parametri di Medium 3.5 non devono essere attribuite a Medium 3.1 o a un checkpoint draft-head denominato separatamente soltanto perché i nomi condividono una famiglia.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObbligatorio | Valori e limiti /v1/chat/completions | Predefinito— |
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-medium-3-5:batch | Predefinito— |
Camporequests | Tipobatch_item[] | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 | Predefinito— |
Camporequests[].custom_id | Tipostring | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campocompletion_window | Tipostring | RequisitoFacoltativo | Valori e limiti 24h | Predefinito— |
Campoprovider | Tipoobject|null | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Camporequests[].body.model | Tipostring | RequisitoFacoltativo | Valori e limiti mistralai/mistral-medium-3-5:batch, mistralai/mistral-medium-3-5 | Predefinito— |
Campoprovider.only | Tipostring[] | RequisitoFacoltativo | Valori e limiti mistral | Predefinito— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoFacoltativo | Valori e limiti false, null | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattoendpoint, model, requests |
Parametromaterial_types | Contrattotext |
Parametrorepresentation | Contrattorequests[] inline; ogni elemento contiene custom_id e body |
Parametrorequest_endpoint_profile | Contratto/v1/chat/completions |
Parametrofile_material | ContrattoIl chiamante può leggere localmente i dati JSONL effettivi in UTF-8 e inserirli in requests[]. Non viene usato alcun purpose di caricamento, input_file_id o riferimento a file. Il materiale del cliente mancante o vuoto interrompe la preparazione prima del POST. |
Parametroserialization_order | Contrattoendpoint, model, provider (se fornito), completion_window (se fornito), requests per ultimo |
Parametrooptional_controls | Contrattoprovider.only, provider.allow_fallbacks, completion_window |
Parametroschema_scope | ContrattoCorpi delle richieste Chat Completions per testo nella struttura inline Batch documentata. |
Ciclo di vita: asynchronous
GET /v1/batches/{operation_id} · response.id effettivo della risposta alla creazione originale; stesso utente/chiave/gruppo
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Token di contesto, più di | Token di contesto, fino al limite incluso | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Token di contesto, più di— | Token di contesto, fino al limite inclusoNessun limite superiore | Costo Input · Token in input $0.0015 / 1K token Output · Token in output $0.0075 / 1K token Input · Lettura dalla cache — / 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 $0.0015 / 1K token Output · Token in output $0.0075 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-medium-3-5:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/mistral-medium-3-5:batch', 'mistralai/mistral-medium-3-5']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3-5:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON inline di results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nConserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva il JSON completo dello stato originale, ogni result/custom_id e il corpo completo della risposta o dell'errore. Salva i results[] completati come JSONL senza filtrarli.
Conserva l'ID dell'operazione originale. La risposta 503 result_pending_check contiene X-Should-Retry:false; non reinviare mai un batch originale il cui esito è sconosciuto.
| Campo | Tipo |
|---|---|
Camporesults[].custom_id | Tipostring |
Camporesults[].response.body.choices[].message.content | Tipostring|null |
Camporesults[].error | Tipoobject|null |
Campousage | Tipoobject|null |
Campoid | Tipostring |
Campomodel | Tipostring |
Campoendpoint | Tipostring |
Campostatus | Tipostring |
Camporequest_counts | Tipoobject |
Camporesults[].id | Tipostring |
Camporesults[].response.status_code | Tipointeger |
Camporesults[].response.request_id | Tipostring |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneStruttura inline documentata non valida, chiavi duplicate, identità degli elementi non valida o conflitto con le capacità configurate del modello. | Passaggio successivoCorreggi i campi indicati prima di qualsiasi nuovo invio. |
Risposta401 · authentication_error | CondizioneChiave API non valida. | Passaggio successivoUsa la chiave Ailoot autorizzata. |
Risposta403 · permission_error | CondizioneGruppo Batch non disponibile. | Passaggio successivoVerifica le autorizzazioni della chiave e del gruppo. |
Risposta422 · invalid_request_error | CondizioneBatch usa l'addebito sul saldo; la creazione tramite abbonamento viene rifiutata. | Passaggio successivoUsa il gruppo autorizzato con addebito sul saldo. |
Risposta422 · price_unavailable | CondizioneNon è possibile formulare un preventivo per l'input Batch. | Passaggio successivoConserva la risposta; usa l'input documentato per la famiglia. |
Risposta402 · billing_error | CondizioneRiserva Batch non disponibile. | Passaggio successivoRisolvi le condizioni di ammissione prima di una nuova richiesta. |
Risposta503 · price_unavailable | CondizionePrezzo del metodo Batch o tariffe native non disponibili. | Passaggio successivoConserva la risposta; non sostituire i prezzi. |
Risposta503 · api_error | CondizioneLa rotta esatta del fornitore non è disponibile. | Passaggio successivoConserva la risposta per la riparazione della rotta. |
Risposta503 · result_pending_check | CondizioneIl risultato originale richiede una verifica; X-Should-Retry:false. | Passaggio successivoConserva operation_id/id originale e leggine lo stato; non ripetere mai il POST originale. |
Risposta404 · not_found | CondizioneL'operazione di stato Batch è assente o appartiene a un'altra identità. | Passaggio successivoUsa l'id originale esatto e lo stesso utente/chiave/gruppo. |
Ailoot Ultra mistralai/mistral-medium-3-5:batch
Usa i percorsi dei metodi indicati sopra.