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": { "practical_html": "Esempio tecnico in inglese
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral 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/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-medium-3-5 | 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 $0.003 / 1K token Output · Token in output $0.015 / 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 $0.003 / 1K token Output · Token in output $0.015 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3-5", "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-medium-3-5',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-medium-3-5',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-medium-3-5
Usa i percorsi dei metodi indicati sopra.
mistralai/mistral-medium-3-5Mistral 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/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-medium-3-5 | 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 $0.003 / 1K token Output · Token in output $0.015 / 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 $0.003 / 1K token Output · Token in output $0.015 / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-3-5', '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-medium-3-5', '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-medium-3-5
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.