Mistral Medium 3 è il modello multimodale di Mistral AI per il lavoro professionale che coinvolge testo, comprensione visiva e codice. Il rilascio originale evidenzia programmazione e compiti STEM insieme all’adattamento a conoscenze e flussi aziendali. Accetta materiale testuale e visivo e produce testo, tra cui spiegazioni di documenti, record strutturati o implementazioni proposte. L’identificatore fisso del produttore per questa edizione è mistral-medium-2505.
Contesto e materiale sorgente professionale
La pagina del modello indica una finestra di contesto di 128k. Usa quel contesto per conservare i brani sorgente, la conversazione e le istruzioni che determinano l’elaborato richiesto. Per un confronto documentale, identifica quale fonte costituisce il requisito corrente, quale la revisione proposta e quale domanda deve essere risolta. Richiedi il documento e la sezione di supporto accanto a ogni risultato.
Un compito pratico di spiegazione può fornire una procedura e la domanda di un utente, poi chiedere l’azione pertinente e la condizione che la rende applicabile. Un’analisi tecnica può includere dati sorgente, definizioni e il criterio da confrontare. L’obiettivo è un risultato legato al materiale fornito, anziché una descrizione generale dell’argomento.
Output strutturati e funzioni
La pagina elenca output strutturati e chiamate di funzione. Per l’estrazione, definisci nomi dei campi, tipi e rappresentazione delle informazioni mancanti nella fonte. Un record utile può separare identificatore, affermazione della fonte, interpretazione e domanda irrisolta. Le indicazioni condivise di Mistral distinguono la modalità JSON da uno schema personalizzato e richiedono una richiesta esplicita del formato JSON desiderato.
Le chiamate di funzione collegano l’interpretazione del modello alle operazioni descritte dall’applicazione. Il modello sceglie una funzione e prepara gli argomenti, l’applicazione la esegue e il risultato diventa contesto per la risposta successiva. Una ricerca può fornire un valore di riferimento mancante; un calcolo può fornire un risultato necessario alla spiegazione. Mantieni il risultato associato all’operazione che lo ha prodotto, anziché trattare la chiamata proposta come un’azione eseguita.
Domande sui documenti e sulle immagini
Per questa edizione sono elencate anche le risposte a domande sui documenti. Il flusso documentato dal produttore prepara testo, struttura e formattazione di un documento con OCR prima dell’analisi del modello linguistico. Chiedi il requisito, il brano o la relazione specifici necessari al compito. Per più documenti, conserva le loro identità e chiedi un confronto con la posizione nella fonte accanto a ogni conclusione.
Per il materiale visivo, abbina l’immagine a una domanda definita e conserva etichette, unità e regioni necessarie per rispondere. Per un grafico si può chiedere un confronto tra serie nominate; per un diagramma, quale collegamento supporti un requisito fornito. Un’immagine leggibile di un documento e un documento preparato tramite OCR sono preparazioni di input diverse, anche quando servono allo stesso obiettivo di risposta alle domande.
Modifiche, prefissi e flussi di lavoro
La pagina del modello elenca output predetti, prefissi di risposta, batch e conversazioni agentiche. Gli output predetti usano contenuto noto quando gran parte di un documento o file di codice deve restare invariata mentre cambia una parte limitata. Fornisci il contenuto esistente, specifica la modifica e identifica il materiale da preservare. Questo è diverso dal chiedere al modello di creare un documento interamente nuovo.
Un prefisso di risposta fornisce un inizio noto per il testo generato dall’assistente, che continua da quell’inizio. Il batch cambia il modo in cui vengono inviati i compiti, mentre un’interfaccia per agenti o conversazioni gestisce un flusso collegato. Gli strumenti integrati elencati appartengono a quell’interfaccia del produttore; non aggiungono un’altra modalità di contenuto al modello sottostante né eseguono un’azione senza l’ambiente collegato.
Programmazione e adattamento al dominio
Per una richiesta di programmazione, fornisci requisito, funzione interessata, dichiarazioni pertinenti e input e output attesi. Chiedi la modifica proposta, le sue ipotesi ed esempi che distinguano il comportamento previsto. Una domanda di debug può includere evidenze dell’errore e chiedere quale percorso nel sorgente lo spieghi. Accesso al repository, esecuzione del codice e applicazione della modifica provengono dagli strumenti di sviluppo circostanti.
L’annuncio originale descrive post-addestramento personalizzato e fine-tuning per contesti aziendali e basi di conoscenza specifici del dominio. Si tratta di un processo di adattamento distinto, non dell’affermazione che i documenti di una particolare organizzazione siano già noti al modello predefinito. Per una risposta condizionata dalle fonti, fornisci direttamente con il compito i documenti pertinenti e la terminologia e definisci le regole della risposta.
Edizione e perimetro del risultato
Questa voce conserva l’identità 2505 e il contesto di 128k di Medium 3. Il conteggio architetturale e i controlli configurabili di ragionamento ibrido documentati in seguito per Medium 3.5 non fanno parte delle specifiche dichiarate di questa edizione. La pagina esatta del modello non pubblica un numero di parametri o una lunghezza massima rigida separata della risposta da prendere in prestito da un rilascio successivo.
Prepara il risultato previsto prima della richiesta: una spiegazione, un’estrazione strutturata, una sezione revisionata o codice proposto. Mantieni esplicite le evidenze testuali e visive, le identità delle fonti e gli eventuali risultati degli strumenti collegati, affinché la risposta possa essere esaminata e usata nel passaggio successivo dell’applicazione.
", "aboutText": "Mistral Medium 3 è il modello multimodale di Mistral AI per il lavoro professionale che coinvolge testo, comprensione visiva e codice. Il rilascio originale evidenzia programmazione e compiti STEM insieme all’adattamento a conoscenze e flussi aziendali. Accetta materiale testuale e visivo e produce testo, tra cui spiegazioni di documenti, record strutturati o implementazioni proposte. L’identificatore fisso del produttore per questa edizione è mistral-medium-2505.\n\nContesto e materiale sorgente professionale\n\nLa pagina del modello indica una finestra di contesto di 128k. Usa quel contesto per conservare i brani sorgente, la conversazione e le istruzioni che determinano l’elaborato richiesto. Per un confronto documentale, identifica quale fonte costituisce il requisito corrente, quale la revisione proposta e quale domanda deve essere risolta. Richiedi il documento e la sezione di supporto accanto a ogni risultato.\n\nUn compito pratico di spiegazione può fornire una procedura e la domanda di un utente, poi chiedere l’azione pertinente e la condizione che la rende applicabile. Un’analisi tecnica può includere dati sorgente, definizioni e il criterio da confrontare. L’obiettivo è un risultato legato al materiale fornito, anziché una descrizione generale dell’argomento.\n\nOutput strutturati e funzioni\n\nLa pagina elenca output strutturati e chiamate di funzione. Per l’estrazione, definisci nomi dei campi, tipi e rappresentazione delle informazioni mancanti nella fonte. Un record utile può separare identificatore, affermazione della fonte, interpretazione e domanda irrisolta. Le indicazioni condivise di Mistral distinguono la modalità JSON da uno schema personalizzato e richiedono una richiesta esplicita del formato JSON desiderato.\n\nLe chiamate di funzione collegano l’interpretazione del modello alle operazioni descritte dall’applicazione. Il modello sceglie una funzione e prepara gli argomenti, l’applicazione la esegue e il risultato diventa contesto per la risposta successiva. Una ricerca può fornire un valore di riferimento mancante; un calcolo può fornire un risultato necessario alla spiegazione. Mantieni il risultato associato all’operazione che lo ha prodotto, anziché trattare la chiamata proposta come un’azione eseguita.\n\nDomande sui documenti e sulle immagini\n\nPer questa edizione sono elencate anche le risposte a domande sui documenti. Il flusso documentato dal produttore prepara testo, struttura e formattazione di un documento con OCR prima dell’analisi del modello linguistico. Chiedi il requisito, il brano o la relazione specifici necessari al compito. Per più documenti, conserva le loro identità e chiedi un confronto con la posizione nella fonte accanto a ogni conclusione.\n\nPer il materiale visivo, abbina l’immagine a una domanda definita e conserva etichette, unità e regioni necessarie per rispondere. Per un grafico si può chiedere un confronto tra serie nominate; per un diagramma, quale collegamento supporti un requisito fornito. Un’immagine leggibile di un documento e un documento preparato tramite OCR sono preparazioni di input diverse, anche quando servono allo stesso obiettivo di risposta alle domande.\n\nModifiche, prefissi e flussi di lavoro\n\nLa pagina del modello elenca output predetti, prefissi di risposta, batch e conversazioni agentiche. Gli output predetti usano contenuto noto quando gran parte di un documento o file di codice deve restare invariata mentre cambia una parte limitata. Fornisci il contenuto esistente, specifica la modifica e identifica il materiale da preservare. Questo è diverso dal chiedere al modello di creare un documento interamente nuovo.\n\nUn prefisso di risposta fornisce un inizio noto per il testo generato dall’assistente, che continua da quell’inizio. Il batch cambia il modo in cui vengono inviati i compiti, mentre un’interfaccia per agenti o conversazioni gestisce un flusso collegato. Gli strumenti integrati elencati appartengono a quell’interfaccia del produttore; non aggiungono un’altra modalità di contenuto al modello sottostante né eseguono un’azione senza l’ambiente collegato.\n\nProgrammazione e adattamento al dominio\n\nPer una richiesta di programmazione, fornisci requisito, funzione interessata, dichiarazioni pertinenti e input e output attesi. Chiedi la modifica proposta, le sue ipotesi ed esempi che distinguano il comportamento previsto. Una domanda di debug può includere evidenze dell’errore e chiedere quale percorso nel sorgente lo spieghi. Accesso al repository, esecuzione del codice e applicazione della modifica provengono dagli strumenti di sviluppo circostanti.\n\nL’annuncio originale descrive post-addestramento personalizzato e fine-tuning per contesti aziendali e basi di conoscenza specifici del dominio. Si tratta di un processo di adattamento distinto, non dell’affermazione che i documenti di una particolare organizzazione siano già noti al modello predefinito. Per una risposta condizionata dalle fonti, fornisci direttamente con il compito i documenti pertinenti e la terminologia e definisci le regole della risposta.\n\nEdizione e perimetro del risultato\n\nQuesta voce conserva l’identità 2505 e il contesto di 128k di Medium 3. Il conteggio architetturale e i controlli configurabili di ragionamento ibrido documentati in seguito per Medium 3.5 non fanno parte delle specifiche dichiarate di questa edizione. La pagina esatta del modello non pubblica un numero di parametri o una lunghezza massima rigida separata della risposta da prendere in prestito da un rilascio successivo.\n\nPrepara il risultato previsto prima della richiesta: una spiegazione, un’estrazione strutturata, una sezione revisionata o codice proposto. Mantieni esplicite le evidenze testuali e visive, le identità delle fonti e gli eventuali risultati degli strumenti collegati, affinché la risposta possa essere esaminata e usata nel passaggio successivo dell’applicazione.", "editorialOverlay": { "copy_fields": { "practical_html": "Esempio tecnico in inglese
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.mistralai/mistral-medium-3Mistral Medium 3 è un modello multimodale per compiti professionali di testo, comprensione visiva e programmazione. Il contesto di 128k dichiarato dal produttore e le funzionalità documentate di output strutturati, chiamate di funzione, domande sui documenti e modifiche prevedibili supportano spiegazioni basate sulle fonti e flussi applicativi.
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 è il modello multimodale di Mistral AI per il lavoro professionale che coinvolge testo, comprensione visiva e codice. Il rilascio originale evidenzia programmazione e compiti STEM insieme all’adattamento a conoscenze e flussi aziendali. Accetta materiale testuale e visivo e produce testo, tra cui spiegazioni di documenti, record strutturati o implementazioni proposte. L’identificatore fisso del produttore per questa edizione è mistral-medium-2505.
Contesto e materiale sorgente professionale
La pagina del modello indica una finestra di contesto di 128k. Usa quel contesto per conservare i brani sorgente, la conversazione e le istruzioni che determinano l’elaborato richiesto. Per un confronto documentale, identifica quale fonte costituisce il requisito corrente, quale la revisione proposta e quale domanda deve essere risolta. Richiedi il documento e la sezione di supporto accanto a ogni risultato.
Un compito pratico di spiegazione può fornire una procedura e la domanda di un utente, poi chiedere l’azione pertinente e la condizione che la rende applicabile. Un’analisi tecnica può includere dati sorgente, definizioni e il criterio da confrontare. L’obiettivo è un risultato legato al materiale fornito, anziché una descrizione generale dell’argomento.
Output strutturati e funzioni
La pagina elenca output strutturati e chiamate di funzione. Per l’estrazione, definisci nomi dei campi, tipi e rappresentazione delle informazioni mancanti nella fonte. Un record utile può separare identificatore, affermazione della fonte, interpretazione e domanda irrisolta. Le indicazioni condivise di Mistral distinguono la modalità JSON da uno schema personalizzato e richiedono una richiesta esplicita del formato JSON desiderato.
Le chiamate di funzione collegano l’interpretazione del modello alle operazioni descritte dall’applicazione. Il modello sceglie una funzione e prepara gli argomenti, l’applicazione la esegue e il risultato diventa contesto per la risposta successiva. Una ricerca può fornire un valore di riferimento mancante; un calcolo può fornire un risultato necessario alla spiegazione. Mantieni il risultato associato all’operazione che lo ha prodotto, anziché trattare la chiamata proposta come un’azione eseguita.
Domande sui documenti e sulle immagini
Per questa edizione sono elencate anche le risposte a domande sui documenti. Il flusso documentato dal produttore prepara testo, struttura e formattazione di un documento con OCR prima dell’analisi del modello linguistico. Chiedi il requisito, il brano o la relazione specifici necessari al compito. Per più documenti, conserva le loro identità e chiedi un confronto con la posizione nella fonte accanto a ogni conclusione.
Per il materiale visivo, abbina l’immagine a una domanda definita e conserva etichette, unità e regioni necessarie per rispondere. Per un grafico si può chiedere un confronto tra serie nominate; per un diagramma, quale collegamento supporti un requisito fornito. Un’immagine leggibile di un documento e un documento preparato tramite OCR sono preparazioni di input diverse, anche quando servono allo stesso obiettivo di risposta alle domande.
Modifiche, prefissi e flussi di lavoro
La pagina del modello elenca output predetti, prefissi di risposta, batch e conversazioni agentiche. Gli output predetti usano contenuto noto quando gran parte di un documento o file di codice deve restare invariata mentre cambia una parte limitata. Fornisci il contenuto esistente, specifica la modifica e identifica il materiale da preservare. Questo è diverso dal chiedere al modello di creare un documento interamente nuovo.
Un prefisso di risposta fornisce un inizio noto per il testo generato dall’assistente, che continua da quell’inizio. Il batch cambia il modo in cui vengono inviati i compiti, mentre un’interfaccia per agenti o conversazioni gestisce un flusso collegato. Gli strumenti integrati elencati appartengono a quell’interfaccia del produttore; non aggiungono un’altra modalità di contenuto al modello sottostante né eseguono un’azione senza l’ambiente collegato.
Programmazione e adattamento al dominio
Per una richiesta di programmazione, fornisci requisito, funzione interessata, dichiarazioni pertinenti e input e output attesi. Chiedi la modifica proposta, le sue ipotesi ed esempi che distinguano il comportamento previsto. Una domanda di debug può includere evidenze dell’errore e chiedere quale percorso nel sorgente lo spieghi. Accesso al repository, esecuzione del codice e applicazione della modifica provengono dagli strumenti di sviluppo circostanti.
L’annuncio originale descrive post-addestramento personalizzato e fine-tuning per contesti aziendali e basi di conoscenza specifici del dominio. Si tratta di un processo di adattamento distinto, non dell’affermazione che i documenti di una particolare organizzazione siano già noti al modello predefinito. Per una risposta condizionata dalle fonti, fornisci direttamente con il compito i documenti pertinenti e la terminologia e definisci le regole della risposta.
Edizione e perimetro del risultato
Questa voce conserva l’identità 2505 e il contesto di 128k di Medium 3. Il conteggio architetturale e i controlli configurabili di ragionamento ibrido documentati in seguito per Medium 3.5 non fanno parte delle specifiche dichiarate di questa edizione. La pagina esatta del modello non pubblica un numero di parametri o una lunghezza massima rigida separata della risposta da prendere in prestito da un rilascio successivo.
Prepara il risultato previsto prima della richiesta: una spiegazione, un’estrazione strutturata, una sezione revisionata o codice proposto. Mantieni esplicite le evidenze testuali e visive, le identità delle fonti e gli eventuali risultati degli strumenti collegati, affinché la risposta possa essere esaminata e usata nel passaggio successivo dell’applicazione.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-medium-3 | 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 $0.0008 / 1K token Output · Token in output $0.004 / 1K token Input · Lettura dalla cache $0.00008 / 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 $0.0008 / 1K token Output · Token in output $0.004 / 1K token Input · Lettura dalla cache $0.00008 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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", "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',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',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
Usa i percorsi dei metodi indicati sopra.
mistralai/mistral-medium-3Mistral Medium 3 è un modello multimodale per compiti professionali di testo, comprensione visiva e programmazione. Il contesto di 128k dichiarato dal produttore e le funzionalità documentate di output strutturati, chiamate di funzione, domande sui documenti e modifiche prevedibili supportano spiegazioni basate sulle fonti e flussi applicativi.
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 è il modello multimodale di Mistral AI per il lavoro professionale che coinvolge testo, comprensione visiva e codice. Il rilascio originale evidenzia programmazione e compiti STEM insieme all’adattamento a conoscenze e flussi aziendali. Accetta materiale testuale e visivo e produce testo, tra cui spiegazioni di documenti, record strutturati o implementazioni proposte. L’identificatore fisso del produttore per questa edizione è mistral-medium-2505.
Contesto e materiale sorgente professionale
La pagina del modello indica una finestra di contesto di 128k. Usa quel contesto per conservare i brani sorgente, la conversazione e le istruzioni che determinano l’elaborato richiesto. Per un confronto documentale, identifica quale fonte costituisce il requisito corrente, quale la revisione proposta e quale domanda deve essere risolta. Richiedi il documento e la sezione di supporto accanto a ogni risultato.
Un compito pratico di spiegazione può fornire una procedura e la domanda di un utente, poi chiedere l’azione pertinente e la condizione che la rende applicabile. Un’analisi tecnica può includere dati sorgente, definizioni e il criterio da confrontare. L’obiettivo è un risultato legato al materiale fornito, anziché una descrizione generale dell’argomento.
Output strutturati e funzioni
La pagina elenca output strutturati e chiamate di funzione. Per l’estrazione, definisci nomi dei campi, tipi e rappresentazione delle informazioni mancanti nella fonte. Un record utile può separare identificatore, affermazione della fonte, interpretazione e domanda irrisolta. Le indicazioni condivise di Mistral distinguono la modalità JSON da uno schema personalizzato e richiedono una richiesta esplicita del formato JSON desiderato.
Le chiamate di funzione collegano l’interpretazione del modello alle operazioni descritte dall’applicazione. Il modello sceglie una funzione e prepara gli argomenti, l’applicazione la esegue e il risultato diventa contesto per la risposta successiva. Una ricerca può fornire un valore di riferimento mancante; un calcolo può fornire un risultato necessario alla spiegazione. Mantieni il risultato associato all’operazione che lo ha prodotto, anziché trattare la chiamata proposta come un’azione eseguita.
Domande sui documenti e sulle immagini
Per questa edizione sono elencate anche le risposte a domande sui documenti. Il flusso documentato dal produttore prepara testo, struttura e formattazione di un documento con OCR prima dell’analisi del modello linguistico. Chiedi il requisito, il brano o la relazione specifici necessari al compito. Per più documenti, conserva le loro identità e chiedi un confronto con la posizione nella fonte accanto a ogni conclusione.
Per il materiale visivo, abbina l’immagine a una domanda definita e conserva etichette, unità e regioni necessarie per rispondere. Per un grafico si può chiedere un confronto tra serie nominate; per un diagramma, quale collegamento supporti un requisito fornito. Un’immagine leggibile di un documento e un documento preparato tramite OCR sono preparazioni di input diverse, anche quando servono allo stesso obiettivo di risposta alle domande.
Modifiche, prefissi e flussi di lavoro
La pagina del modello elenca output predetti, prefissi di risposta, batch e conversazioni agentiche. Gli output predetti usano contenuto noto quando gran parte di un documento o file di codice deve restare invariata mentre cambia una parte limitata. Fornisci il contenuto esistente, specifica la modifica e identifica il materiale da preservare. Questo è diverso dal chiedere al modello di creare un documento interamente nuovo.
Un prefisso di risposta fornisce un inizio noto per il testo generato dall’assistente, che continua da quell’inizio. Il batch cambia il modo in cui vengono inviati i compiti, mentre un’interfaccia per agenti o conversazioni gestisce un flusso collegato. Gli strumenti integrati elencati appartengono a quell’interfaccia del produttore; non aggiungono un’altra modalità di contenuto al modello sottostante né eseguono un’azione senza l’ambiente collegato.
Programmazione e adattamento al dominio
Per una richiesta di programmazione, fornisci requisito, funzione interessata, dichiarazioni pertinenti e input e output attesi. Chiedi la modifica proposta, le sue ipotesi ed esempi che distinguano il comportamento previsto. Una domanda di debug può includere evidenze dell’errore e chiedere quale percorso nel sorgente lo spieghi. Accesso al repository, esecuzione del codice e applicazione della modifica provengono dagli strumenti di sviluppo circostanti.
L’annuncio originale descrive post-addestramento personalizzato e fine-tuning per contesti aziendali e basi di conoscenza specifici del dominio. Si tratta di un processo di adattamento distinto, non dell’affermazione che i documenti di una particolare organizzazione siano già noti al modello predefinito. Per una risposta condizionata dalle fonti, fornisci direttamente con il compito i documenti pertinenti e la terminologia e definisci le regole della risposta.
Edizione e perimetro del risultato
Questa voce conserva l’identità 2505 e il contesto di 128k di Medium 3. Il conteggio architetturale e i controlli configurabili di ragionamento ibrido documentati in seguito per Medium 3.5 non fanno parte delle specifiche dichiarate di questa edizione. La pagina esatta del modello non pubblica un numero di parametri o una lunghezza massima rigida separata della risposta da prendere in prestito da un rilascio successivo.
Prepara il risultato previsto prima della richiesta: una spiegazione, un’estrazione strutturata, una sezione revisionata o codice proposto. Mantieni esplicite le evidenze testuali e visive, le identità delle fonti e gli eventuali risultati degli strumenti collegati, affinché la risposta possa essere esaminata e usata nel passaggio successivo dell’applicazione.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/mistral-medium-3 | 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 $0.0008 / 1K token Output · Token in output $0.004 / 1K token Input · Lettura dalla cache $0.00008 / 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 $0.0008 / 1K token Output · Token in output $0.004 / 1K token Input · Lettura dalla cache $0.00008 / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
{\n "model": "mistralai/mistral-medium-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Usa i percorsi dei metodi indicati sopra.
Esempio tecnico in inglese
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.