Mistral Large는 복잡한 문서 작업, 소프트웨어 엔지니어링, 에이전트 작업을 위한 Mistral AI의 범용 멀티모달 제품군입니다. Large 4는 기본 시각적 이해에 지시 준수, 추론, 도구 사용을 결합합니다. 세분화된 전문가 혼합 아키텍처에는 총 1조 500억 파라미터와 활성 파라미터 520억 개가 있으며 16억 파라미터의 비전 인코더가 함께 제공됩니다. Large 4의 컨텍스트 창은 1M토큰입니다. Large 3는 총 6,750억 파라미터, 활성 파라미터 410억 개, 256K 컨텍스트 창을 갖춘 별도 버전입니다.
모델은 서면 작업과 시각 자료를 사용해 텍스트, 코드, 구조화된 결과를 생성합니다. Large 4의 추론 워크플로에서는 최소 강도 설정이 답변을 직접 반환하고 높은 강도는 최종 답변 전에 추론 구간을 포함합니다. 전체 어시스턴트 메시지는 후속 턴의 연속성을 유지합니다. 구조화된 출력은 JSON 또는 사용자 지정 스키마를 사용할 수 있으며 애플리케이션은 응답의 시작을 제어하기 위한 접두사를 제공할 수 있습니다.
함수 호출은 분석 작업을 외부 정보 및 조치와 연결합니다. 함수 설명, 입력 필드, 사용자 목표를 제공하세요. 모델이 함수를 선택하여 인수를 준비하면 애플리케이션이 실행하고 결과를 반환한 뒤 대화를 이어갑니다. 워크플로에는 연속 호출이나 여러 병렬 호출이 포함될 수 있습니다. 문서 질의응답은 문서 추출과 언어 이해를 결합하고 배치 처리는 요청 집합을 비동기로 처리합니다. 도구의 가용성과 실행은 모델을 둘러싼 애플리케이션이 제공합니다.
Large 4의 기능 영역은 보안 분석에서 시작합니다. 제조사는 방어 업무를 위한 악성코드 초기 분류, 취약점 우선순위 지정, 탐지 규칙 준비를 설명합니다. 에이전트 코딩에서는 저장소 이해, 소프트웨어 변경, 복잡한 터미널 워크플로에 초점을 맞춥니다. 유용한 코딩 과제는 영향을 받는 동작, 관련 파일과 의존성, 올바른 결과를 확인할 검사를 명시합니다.
일반적인 에이전트 워크플로에서는 모델이 자료를 수집하고 연결된 도구를 사용하며 문서, 스프레드시트, 슬라이드 내용과 같은 산출물을 구성할 수 있습니다. 멀티모달 작업은 차트, 복잡한 페이지, 자연 장면, 기술 도면을 다룹니다. 시각적 근거 연결은 질문을 사물이나 영역에 연결합니다. 공학 작업에서는 제공된 도면을 살펴보고 보이는 부품을 비교한 다음 근거에 연결된 설명을 반환할 수 있습니다. 문서 분석에서는 각 결론을 뒷받침하는 특정 페이지, 표, 구절을 요청하세요.
과학 및 수학 활용에는 데이터 분석, 모델링, 시뮬레이션 코드, 심화 응용수학 작업이 포함됩니다. 지식 업무에는 문서 및 스프레드시트 편집과 여러 출처의 정보 비교가 포함됩니다. Ailoot API 작업에서는 편집 가능한 보고서 개요, 구조화된 발견 사항 집합, 애플리케이션이 실행하고 검증할 코드를 지정할 수 있습니다. 이들은 서로 다른 출력입니다. 설명은 질문에 답하고 구조화된 결과는 데이터를 다음 단계로 전달하며 도구 지원 워크플로는 애플리케이션을 이용해 최종 산출물을 생성하거나 업데이트합니다.
Large 4의 학습에는 유럽연합의 모든 공용어를 포함한 160개 이상의 언어 자료가 포함됩니다. 후속 학습은 추론, 과학 작업, 도구 사용, 사실성, 안전 정렬 전반에서 지도 파인 튜닝과 강화 학습을 결합합니다. 안전 작업은 간접 프롬프트 인젝션과 악의적인 사이버 보안 요청을 다룹니다. 제품군 선택은 계속 업데이트되는 모델 계열을 가리킵니다. 위의 수치적 아키텍처, 컨텍스트 창, 추론 동작은 명시적으로 명명된 각 버전에 해당하며 고정 버전을 선택할 때도 구분됩니다.
", "aboutText": "Mistral Large는 복잡한 문서 작업, 소프트웨어 엔지니어링, 에이전트 작업을 위한 Mistral AI의 범용 멀티모달 제품군입니다. Large 4는 기본 시각적 이해에 지시 준수, 추론, 도구 사용을 결합합니다. 세분화된 전문가 혼합 아키텍처에는 총 1조 500억 파라미터와 활성 파라미터 520억 개가 있으며 16억 파라미터의 비전 인코더가 함께 제공됩니다. Large 4의 컨텍스트 창은 1M토큰입니다. Large 3는 총 6,750억 파라미터, 활성 파라미터 410억 개, 256K 컨텍스트 창을 갖춘 별도 버전입니다.\n\n모델은 서면 작업과 시각 자료를 사용해 텍스트, 코드, 구조화된 결과를 생성합니다. Large 4의 추론 워크플로에서는 최소 강도 설정이 답변을 직접 반환하고 높은 강도는 최종 답변 전에 추론 구간을 포함합니다. 전체 어시스턴트 메시지는 후속 턴의 연속성을 유지합니다. 구조화된 출력은 JSON 또는 사용자 지정 스키마를 사용할 수 있으며 애플리케이션은 응답의 시작을 제어하기 위한 접두사를 제공할 수 있습니다.\n\n함수 호출은 분석 작업을 외부 정보 및 조치와 연결합니다. 함수 설명, 입력 필드, 사용자 목표를 제공하세요. 모델이 함수를 선택하여 인수를 준비하면 애플리케이션이 실행하고 결과를 반환한 뒤 대화를 이어갑니다. 워크플로에는 연속 호출이나 여러 병렬 호출이 포함될 수 있습니다. 문서 질의응답은 문서 추출과 언어 이해를 결합하고 배치 처리는 요청 집합을 비동기로 처리합니다. 도구의 가용성과 실행은 모델을 둘러싼 애플리케이션이 제공합니다.\n\nLarge 4의 기능 영역은 보안 분석에서 시작합니다. 제조사는 방어 업무를 위한 악성코드 초기 분류, 취약점 우선순위 지정, 탐지 규칙 준비를 설명합니다. 에이전트 코딩에서는 저장소 이해, 소프트웨어 변경, 복잡한 터미널 워크플로에 초점을 맞춥니다. 유용한 코딩 과제는 영향을 받는 동작, 관련 파일과 의존성, 올바른 결과를 확인할 검사를 명시합니다.\n\n일반적인 에이전트 워크플로에서는 모델이 자료를 수집하고 연결된 도구를 사용하며 문서, 스프레드시트, 슬라이드 내용과 같은 산출물을 구성할 수 있습니다. 멀티모달 작업은 차트, 복잡한 페이지, 자연 장면, 기술 도면을 다룹니다. 시각적 근거 연결은 질문을 사물이나 영역에 연결합니다. 공학 작업에서는 제공된 도면을 살펴보고 보이는 부품을 비교한 다음 근거에 연결된 설명을 반환할 수 있습니다. 문서 분석에서는 각 결론을 뒷받침하는 특정 페이지, 표, 구절을 요청하세요.\n\n과학 및 수학 활용에는 데이터 분석, 모델링, 시뮬레이션 코드, 심화 응용수학 작업이 포함됩니다. 지식 업무에는 문서 및 스프레드시트 편집과 여러 출처의 정보 비교가 포함됩니다. Ailoot API 작업에서는 편집 가능한 보고서 개요, 구조화된 발견 사항 집합, 애플리케이션이 실행하고 검증할 코드를 지정할 수 있습니다. 이들은 서로 다른 출력입니다. 설명은 질문에 답하고 구조화된 결과는 데이터를 다음 단계로 전달하며 도구 지원 워크플로는 애플리케이션을 이용해 최종 산출물을 생성하거나 업데이트합니다.\n\nLarge 4의 학습에는 유럽연합의 모든 공용어를 포함한 160개 이상의 언어 자료가 포함됩니다. 후속 학습은 추론, 과학 작업, 도구 사용, 사실성, 안전 정렬 전반에서 지도 파인 튜닝과 강화 학습을 결합합니다. 안전 작업은 간접 프롬프트 인젝션과 악의적인 사이버 보안 요청을 다룹니다. 제품군 선택은 계속 업데이트되는 모델 계열을 가리킵니다. 위의 수치적 아키텍처, 컨텍스트 창, 추론 동작은 명시적으로 명명된 각 버전에 해당하며 고정 버전을 선택할 때도 구분됩니다.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Find a report inconsistency\n\nReview these report sections. [Summary] The pilot covered 120 orders and had 6 returns. [Table] Delivered: 114; returned: 6; cancelled before dispatch: 5. Identify which totals can be reconciled and which scope is unclear. Draft a correction question for the report author, retaining section labels and avoiding an invented denominator.A source-linked finding table and a precise question about the order population and cancellations.Ensure the five cancellations are not silently added to or removed from the stated 120-order pilot.mistral-large-latestMistral AI의 Large 제품군은 문서 및 이미지 이해에 추론, 코딩, 도구 기반 워크플로를 결합합니다. 공개된 Large 버전은 구조화된 응답과 긴 컨텍스트 작업을 지원하며 아키텍처와 컨텍스트 크기는 명명된 각 버전에 따라 다릅니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Mistral Large는 복잡한 문서 작업, 소프트웨어 엔지니어링, 에이전트 작업을 위한 Mistral AI의 범용 멀티모달 제품군입니다. Large 4는 기본 시각적 이해에 지시 준수, 추론, 도구 사용을 결합합니다. 세분화된 전문가 혼합 아키텍처에는 총 1조 500억 파라미터와 활성 파라미터 520억 개가 있으며 16억 파라미터의 비전 인코더가 함께 제공됩니다. Large 4의 컨텍스트 창은 1M토큰입니다. Large 3는 총 6,750억 파라미터, 활성 파라미터 410억 개, 256K 컨텍스트 창을 갖춘 별도 버전입니다.
모델은 서면 작업과 시각 자료를 사용해 텍스트, 코드, 구조화된 결과를 생성합니다. Large 4의 추론 워크플로에서는 최소 강도 설정이 답변을 직접 반환하고 높은 강도는 최종 답변 전에 추론 구간을 포함합니다. 전체 어시스턴트 메시지는 후속 턴의 연속성을 유지합니다. 구조화된 출력은 JSON 또는 사용자 지정 스키마를 사용할 수 있으며 애플리케이션은 응답의 시작을 제어하기 위한 접두사를 제공할 수 있습니다.
함수 호출은 분석 작업을 외부 정보 및 조치와 연결합니다. 함수 설명, 입력 필드, 사용자 목표를 제공하세요. 모델이 함수를 선택하여 인수를 준비하면 애플리케이션이 실행하고 결과를 반환한 뒤 대화를 이어갑니다. 워크플로에는 연속 호출이나 여러 병렬 호출이 포함될 수 있습니다. 문서 질의응답은 문서 추출과 언어 이해를 결합하고 배치 처리는 요청 집합을 비동기로 처리합니다. 도구의 가용성과 실행은 모델을 둘러싼 애플리케이션이 제공합니다.
Large 4의 기능 영역은 보안 분석에서 시작합니다. 제조사는 방어 업무를 위한 악성코드 초기 분류, 취약점 우선순위 지정, 탐지 규칙 준비를 설명합니다. 에이전트 코딩에서는 저장소 이해, 소프트웨어 변경, 복잡한 터미널 워크플로에 초점을 맞춥니다. 유용한 코딩 과제는 영향을 받는 동작, 관련 파일과 의존성, 올바른 결과를 확인할 검사를 명시합니다.
일반적인 에이전트 워크플로에서는 모델이 자료를 수집하고 연결된 도구를 사용하며 문서, 스프레드시트, 슬라이드 내용과 같은 산출물을 구성할 수 있습니다. 멀티모달 작업은 차트, 복잡한 페이지, 자연 장면, 기술 도면을 다룹니다. 시각적 근거 연결은 질문을 사물이나 영역에 연결합니다. 공학 작업에서는 제공된 도면을 살펴보고 보이는 부품을 비교한 다음 근거에 연결된 설명을 반환할 수 있습니다. 문서 분석에서는 각 결론을 뒷받침하는 특정 페이지, 표, 구절을 요청하세요.
과학 및 수학 활용에는 데이터 분석, 모델링, 시뮬레이션 코드, 심화 응용수학 작업이 포함됩니다. 지식 업무에는 문서 및 스프레드시트 편집과 여러 출처의 정보 비교가 포함됩니다. Ailoot API 작업에서는 편집 가능한 보고서 개요, 구조화된 발견 사항 집합, 애플리케이션이 실행하고 검증할 코드를 지정할 수 있습니다. 이들은 서로 다른 출력입니다. 설명은 질문에 답하고 구조화된 결과는 데이터를 다음 단계로 전달하며 도구 지원 워크플로는 애플리케이션을 이용해 최종 산출물을 생성하거나 업데이트합니다.
Large 4의 학습에는 유럽연합의 모든 공용어를 포함한 160개 이상의 언어 자료가 포함됩니다. 후속 학습은 추론, 과학 작업, 도구 사용, 사실성, 안전 정렬 전반에서 지도 파인 튜닝과 강화 학습을 결합합니다. 안전 작업은 간접 프롬프트 인젝션과 악의적인 사이버 보안 요청을 다룹니다. 제품군 선택은 계속 업데이트되는 모델 계열을 가리킵니다. 위의 수치적 아키텍처, 컨텍스트 창, 추론 동작은 명시적으로 명명된 각 버전에 해당하며 고정 버전을 선택할 때도 구분됩니다.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 mistral-large-latest | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 최소 항목 수: 1 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 예시: system, user, assistant, tool, function 조건: 이 역할들은 소스 코드의 호환 타입에 명시적으로 표현됩니다. 정확한 모델 역할 집합은 모델별로 다릅니다. 모델에 따라 다름 | 기본값— |
필드messages[].content | 유형string|content_part[]|null | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_calls | 유형tool_call[] | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].tool_call_id | 유형string | 요건선택 사항 | 값과 한도 적용 조건: role=tool. 실제 반환된 ID를 사용하세요 | 기본값— |
필드messages[].name | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드messages[].reasoning_content | 유형string | 요건선택 사항 | 값과 한도 적용 조건: 이 모델이 추론을 사용하는 경우 실제 반환된 추론을 그대로 다음 요청에 다시 전달하세요 | 기본값— |
필드messages[].reasoning_details | 유형object|array | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드max_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드max_completion_tokens | 유형integer | 요건선택 사항 | 값과 한도 최솟값: 1 모델에 따라 다름 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
필드stream_options.include_usage | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드temperature | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드top_p | 유형number | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드stop | 유형string|string[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools | 유형function_tool[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드tools[].type | 유형string | 요건선택 사항 | 값과 한도 function 모델에 따라 다름 | 기본값— |
필드tools[].function.name | 유형string | 요건필수 | 값과 한도 적용 조건: 함수 도구 지정됨 | 기본값— |
필드tools[].function.description | 유형string | 요건선택 사항 | 값과 한도 | 기본값— |
필드tools[].function.parameters | 유형JSON_schema | 요건선택 사항 | 값과 한도 | 기본값— |
필드tool_choice | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드parallel_tool_calls | 유형boolean | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드response_format | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning_effort | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드reasoning | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드service_tier | 유형string | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드instructions | 유형string | 요건선택 사항 | 값과 한도 호환성 필드 | 기본값— |
필드functions | 유형function[] | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드function_call | 유형string|object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드prompt_cache_options | 유형object | 요건선택 사항 | 값과 한도 모델에 따라 다름 | 기본값— |
필드modalities | 유형string[] | 요건선택 사항 | 값과 한도 text | 기본값— |
필드provider | 유형object | 요건선택 사항 | 값과 한도 조건: 이 Ultra 텍스트 경로에서는 provider.options가 거부됩니다 | 기본값— |
필드cache_control.ttl | 유형string | 요건선택 사항 | 값과 한도 조건: 실제 프롬프트 캐시 지정 위치에서는 1h가 거부됩니다 | 기본값— |
텍스트 · UTF8 텍스트
messages[].content
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages |
매개변수material_types | 명세text |
매개변수messages | 명세role/content 형식의 메시지 배열 |
매개변수file_material | 명세실제 UTF-8 문서를 텍스트로 그대로 삽입합니다. 파일 ID는 추정하지 않습니다 |
매개변수optional_controls | 명세stream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
매개변수control_scope | 명세모델별로 다름. 사용자 함수 도구와 호스팅 도구는 서로 다릅니다 |
매개변수output_modalities | 명세text |
매개변수hosted_operations | 명세false |
매개변수multimodal_input_binding | 명세null |
수명 주기: synchronous_or_streamed
정확한 모델 ID를 messages와 함께 보내세요.
컨텍스트 길이는 출력 상한이 아닙니다.
텍스트 파일은 텍스트를 그대로 제공할 수 있습니다. 이미지/오디오/파일 객체 입력에는 정확한 바인딩이 필요합니다.
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.0044 / 1K 토큰 출력 · 출력 토큰 $0.0132 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistral-large-latest", "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='mistral-large-latest',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='mistral-large-latest',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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
각 선택지와 그 콘텐츠·도구 호출·추론을 모두 보존하세요. SSE에서는 선택지/도구 인덱스별로 증분을 조합하고 최종 종료 사유와 사용량을 유지하세요.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드choices[].index | 유형integer |
필드choices[].message.content | 유형string|null |
필드choices[].message.tool_calls | 유형tool_call[] |
필드choices[].message.reasoning_content | 유형string |
필드choices[].message.reasoning_details | 유형object|array |
필드choices[].finish_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra mistral-large-latest
위에 표시된 메서드 경로를 사용하세요.
mistral-large-latestMistral AI의 Large 제품군은 문서 및 이미지 이해에 추론, 코딩, 도구 기반 워크플로를 결합합니다. 공개된 Large 버전은 구조화된 응답과 긴 컨텍스트 작업을 지원하며 아키텍처와 컨텍스트 크기는 명명된 각 버전에 따라 다릅니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Mistral Large는 복잡한 문서 작업, 소프트웨어 엔지니어링, 에이전트 작업을 위한 Mistral AI의 범용 멀티모달 제품군입니다. Large 4는 기본 시각적 이해에 지시 준수, 추론, 도구 사용을 결합합니다. 세분화된 전문가 혼합 아키텍처에는 총 1조 500억 파라미터와 활성 파라미터 520억 개가 있으며 16억 파라미터의 비전 인코더가 함께 제공됩니다. Large 4의 컨텍스트 창은 1M토큰입니다. Large 3는 총 6,750억 파라미터, 활성 파라미터 410억 개, 256K 컨텍스트 창을 갖춘 별도 버전입니다.
모델은 서면 작업과 시각 자료를 사용해 텍스트, 코드, 구조화된 결과를 생성합니다. Large 4의 추론 워크플로에서는 최소 강도 설정이 답변을 직접 반환하고 높은 강도는 최종 답변 전에 추론 구간을 포함합니다. 전체 어시스턴트 메시지는 후속 턴의 연속성을 유지합니다. 구조화된 출력은 JSON 또는 사용자 지정 스키마를 사용할 수 있으며 애플리케이션은 응답의 시작을 제어하기 위한 접두사를 제공할 수 있습니다.
함수 호출은 분석 작업을 외부 정보 및 조치와 연결합니다. 함수 설명, 입력 필드, 사용자 목표를 제공하세요. 모델이 함수를 선택하여 인수를 준비하면 애플리케이션이 실행하고 결과를 반환한 뒤 대화를 이어갑니다. 워크플로에는 연속 호출이나 여러 병렬 호출이 포함될 수 있습니다. 문서 질의응답은 문서 추출과 언어 이해를 결합하고 배치 처리는 요청 집합을 비동기로 처리합니다. 도구의 가용성과 실행은 모델을 둘러싼 애플리케이션이 제공합니다.
Large 4의 기능 영역은 보안 분석에서 시작합니다. 제조사는 방어 업무를 위한 악성코드 초기 분류, 취약점 우선순위 지정, 탐지 규칙 준비를 설명합니다. 에이전트 코딩에서는 저장소 이해, 소프트웨어 변경, 복잡한 터미널 워크플로에 초점을 맞춥니다. 유용한 코딩 과제는 영향을 받는 동작, 관련 파일과 의존성, 올바른 결과를 확인할 검사를 명시합니다.
일반적인 에이전트 워크플로에서는 모델이 자료를 수집하고 연결된 도구를 사용하며 문서, 스프레드시트, 슬라이드 내용과 같은 산출물을 구성할 수 있습니다. 멀티모달 작업은 차트, 복잡한 페이지, 자연 장면, 기술 도면을 다룹니다. 시각적 근거 연결은 질문을 사물이나 영역에 연결합니다. 공학 작업에서는 제공된 도면을 살펴보고 보이는 부품을 비교한 다음 근거에 연결된 설명을 반환할 수 있습니다. 문서 분석에서는 각 결론을 뒷받침하는 특정 페이지, 표, 구절을 요청하세요.
과학 및 수학 활용에는 데이터 분석, 모델링, 시뮬레이션 코드, 심화 응용수학 작업이 포함됩니다. 지식 업무에는 문서 및 스프레드시트 편집과 여러 출처의 정보 비교가 포함됩니다. Ailoot API 작업에서는 편집 가능한 보고서 개요, 구조화된 발견 사항 집합, 애플리케이션이 실행하고 검증할 코드를 지정할 수 있습니다. 이들은 서로 다른 출력입니다. 설명은 질문에 답하고 구조화된 결과는 데이터를 다음 단계로 전달하며 도구 지원 워크플로는 애플리케이션을 이용해 최종 산출물을 생성하거나 업데이트합니다.
Large 4의 학습에는 유럽연합의 모든 공용어를 포함한 160개 이상의 언어 자료가 포함됩니다. 후속 학습은 추론, 과학 작업, 도구 사용, 사실성, 안전 정렬 전반에서 지도 파인 튜닝과 강화 학습을 결합합니다. 안전 작업은 간접 프롬프트 인젝션과 악의적인 사이버 보안 요청을 다룹니다. 제품군 선택은 계속 업데이트되는 모델 계열을 가리킵니다. 위의 수치적 아키텍처, 컨텍스트 창, 추론 동작은 명시적으로 명명된 각 버전에 해당하며 고정 버전을 선택할 때도 구분됩니다.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 mistral-large-latest | 기본값— |
필드messages | 유형message[] | 요건필수 | 값과 한도 | 기본값— |
필드messages[].role | 유형string | 요건필수 | 값과 한도 user, assistant | 기본값— |
필드messages[].content | 유형string | 요건필수 | 값과 한도 | 기본값— |
필드max_tokens | 유형integer | 요건필수 | 값과 한도 | 기본값— |
필드stream | 유형boolean | 요건선택 사항 | 값과 한도 | 기본값false |
텍스트 · UTF-8 텍스트
messages[].content 문자열
| 매개변수 | 명세 |
|---|---|
매개변수content_type | 명세application/json |
매개변수required | 명세model, messages, max_tokens |
매개변수optional_controls | 명세stream |
매개변수material_types | 명세text |
매개변수text_file_material | 명세실제 UTF-8 문서를 읽고 그 텍스트를 지정된 입력 또는 메시지 콘텐츠 문자열에 넣으세요. |
수명 주기: synchronous_or_streamed
요금 정보는 요청 옵션을 추가하지 않습니다. 지원되는 매개변수는 선택한 메서드에 표시됩니다.
| 설정 | 요금표 | 요금 |
|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 요금 입력 · 입력 토큰 $0.0044 / 1K 토큰 출력 · 출력 토큰 $0.0132 / 1K 토큰 입력 · 캐시 읽기 $0 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "mistral-large-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-large-latest', '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': 'mistral-large-latest', '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 또는 SSE
반환된 완전한 응답, 파일, 콘텐츠 부분을 모두 보관하세요.
모든 콘텐츠 블록, 사고 서명, 실제 도구 사용 ID를 보존하세요. 모든 SSE 블록 증분을 조합하세요. 첫 텍스트 블록이 전체 출력은 아닙니다.
요청/응답 ID와 헤더를 보존하세요. 텍스트 작업을 조회하는 범용 URL은 제공되지 않습니다.
| 필드 | 유형 |
|---|---|
필드id | 유형string |
필드model | 유형string |
필드content[] | 유형text|thinking|tool_use|other content block |
필드stop_reason | 유형string|null |
필드usage | 유형object |
| 응답 | 조건 | 다음 단계 |
|---|---|---|
응답400 · invalid_request_error | 조건필수 필드, 자료 표현 방식 또는 파라미터 값이 올바르지 않음 | 다음 단계새 생성 요청 전에 표시된 필드를 수정하세요. |
Ailoot Ultra mistral-large-latest
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Find a report inconsistency\n\nReview these report sections. [Summary] The pilot covered 120 orders and had 6 returns. [Table] Delivered: 114; returned: 6; cancelled before dispatch: 5. Identify which totals can be reconciled and which scope is unclear. Draft a correction question for the report author, retaining section labels and avoiding an invented denominator.A source-linked finding table and a precise question about the order population and cancellations.Ensure the five cancellations are not silently added to or removed from the stated 120-order pilot.