Mistral Large 3 2512는 일반 대화, 시각적 이해, 기업 업무를 위한 Mistral AI의 지시 튜닝 버전입니다. 희소 전문가 혼합 아키텍처는 총 6,750억 파라미터 중 410억 개가 활성화되며 컨텍스트 창은 256k입니다. 텍스트와 이미지를 하나의 작업에 함께 활용하고 텍스트, 코드, 구조화된 결과로 답변할 수 있습니다.
기능과 입력 준비
모델은 언어 구성 요소와 비전 인코더를 결합합니다. 읽을 페이지, 해석할 도표, 설명할 화면 등 이미지에 명확한 역할을 부여하세요. 복잡한 화면에서는 관련 제어 요소가 포함된 부분을 잘라 제공하고 이를 이해하는 데 필요한 주변 레이블을 유지하세요. Mistral은 정사각형에 가까운 이미지 형태를 권장합니다. 매우 가늘거나 넓은 원본은 중요한 세부 사항이 읽을 수 없는 띠로 축소되게 하지 말고 유용한 영역별로 나누세요.
제조사는 영어, 프랑스어, 스페인어, 독일어, 이탈리아어, 포르투갈어, 네덜란드어, 중국어, 일본어, 한국어, 아랍어 등 수십 개 언어의 다국어 대화를 나열합니다. 출력 언어, 대상 독자, 유지할 용어를 명시하세요. 지원 문서에서는 제품명을 그대로 유지한 현지화 설명과 게시 전에 해결할 불확실한 번역의 짧은 목록을 요청하세요.
긴 문서와 기업 지식
컨텍스트를 활용해 정책 텍스트, 명세, 기존 결정, 답변이 필요한 질문 등 관련 자료를 함께 모으세요. 각 원본과 개정판에 레이블을 붙이세요. 예를 들면 다음과 같이 요청할 수 있습니다. “이 온보딩 정책 세 개를 비교하세요. 공통 요구 사항, 충돌, 답변되지 않은 질문을 표로 반환하고 각 발견 사항의 원본 섹션을 표시하세요.” 결과물은 주제에 관한 일반적인 요약이 아니라 제공된 구절에 근거한 비교가 됩니다.
문서 질문에서는 원하는 상세 수준을 지정하고 결론 옆에 근거 구절을 요청하세요. Mistral의 Document QnA 워크플로는 먼저 OCR로 텍스트와 문서 구조를 추출한 뒤 언어 모델로 해석합니다. 추출된 텍스트를 준비할 때 페이지 번호와 제목을 보존하여 답변이 원본을 가리킬 수 있게 하세요. 문서 URL, 추출 텍스트, 이미지 근거는 준비 요구 사항이 다릅니다. 사용하는 애플리케이션이 지원하는 입력 형식을 선택하세요.
코딩과 일상 지원
Mistral은 Large 3를 일상 대화뿐 아니라 코딩 지원 모델로도 소개합니다. 관련 함수, 예상 동작, 관찰된 실패를 제공하세요. 예를 들어 “입력이 줄바꿈 없이 끝나면 이 파서는 마지막 필드를 누락합니다. 실패하는 분기를 설명하고 최소한의 변경을 제안한 다음 대표적인 입출력 예시 세 개와 함께 수정된 함수를 반환하세요.”라고 요청할 수 있습니다. 유용한 결과는 실제 코드와 연결된 변경 제안 및 개발자가 실행할 수 있는 사례 집합입니다.
업무 초안에서는 사실과 원하는 산출물을 함께 제공하세요. 회의 메모를 의사 결정 메모로 바꾸는 요청에서는 결정, 대안, 미해결 가정, 다음 조치를 명시해야 합니다. 원본 사실과 권고를 분리하고 적절한 섹션 안에 누락된 정보를 표시하도록 요청하세요. 그러면 구분 없이 이어지는 서술보다 출력을 수정하기 쉽습니다.
도구와 구조화된 결과
기본 함수 호출을 통해 모델은 제공된 함수를 선택하고 인수를 준비할 수 있습니다. 애플리케이션이 함수를 실행하고 결과를 반환하면 모델은 반환된 정보를 답변에 사용합니다. 도구를 구체적으로 정의하고 작업에 필요한 것만 제공하세요. 재고 확인 어시스턴트는 상품 참조를 받아 재고 조회를 요청하고 반환된 수량과 창고를 설명할 수 있습니다. 요청 실행 전에 선택된 함수와 인수를 검증하고 최종 답변과 함께 도구 응답을 유지하세요.
추출에서는 필드, 유형, 누락된 값의 처리 방식을 지정하세요. Mistral은 JSON 모드와 사용자 지정 구조화된 출력을 문서화합니다. JSON 모드는 JSON 반환을 명시적으로 지시해야 하고 사용자 지정 스키마는 더 강한 형식 제어를 제공합니다. 청구서 요약에서는 공급업체, 청구서 번호, 납부 기한, 통화, 개별 항목을 요청하고 누락된 값을 일관되게 표현할 수 있습니다. 응답이 요청한 구조와 일치하더라도 추출된 값을 문서와 대조하세요.
설정과 버전 차이
시스템 지침에 역할, 작업, 도구 규칙을 정의하세요. Mistral은 이 체크포인트의 운영 및 일상 사용에 temperature 0.1 미만을 권장하며 창의적인 작업에서는 더 높은 값을 시도할 수 있습니다. 다양한 아이디어 요청과 재현 가능한 추출 요청을 구분하세요. 전자에는 대안을 위한 여지를 주고 후자에는 명시적인 필드와 원본 제약을 제공하세요.
이 지시 버전은 Large 3 베이스 체크포인트 및 전용 추론 모델과 별개입니다. 제조사는 엄밀한 추론과 특화된 시각 작업에는 해당 작업을 위해 설계된 모델이 더 적합할 수 있다고 설명합니다. 어려운 계산에서는 가정과 단위를 제공하고 중간 검사를 요청하며 사용 가능한 계산 도구로 결과를 검증하세요. 시각적 근거가 조밀한 경우에는 읽을 수 있는 영역을 준비하고 보고서에 사용하기 전에 답변을 원본과 비교하세요.
", "aboutText": "Mistral Large 3 2512는 일반 대화, 시각적 이해, 기업 업무를 위한 Mistral AI의 지시 튜닝 버전입니다. 희소 전문가 혼합 아키텍처는 총 6,750억 파라미터 중 410억 개가 활성화되며 컨텍스트 창은 256k입니다. 텍스트와 이미지를 하나의 작업에 함께 활용하고 텍스트, 코드, 구조화된 결과로 답변할 수 있습니다.\n\n기능과 입력 준비\n\n모델은 언어 구성 요소와 비전 인코더를 결합합니다. 읽을 페이지, 해석할 도표, 설명할 화면 등 이미지에 명확한 역할을 부여하세요. 복잡한 화면에서는 관련 제어 요소가 포함된 부분을 잘라 제공하고 이를 이해하는 데 필요한 주변 레이블을 유지하세요. Mistral은 정사각형에 가까운 이미지 형태를 권장합니다. 매우 가늘거나 넓은 원본은 중요한 세부 사항이 읽을 수 없는 띠로 축소되게 하지 말고 유용한 영역별로 나누세요.\n\n제조사는 영어, 프랑스어, 스페인어, 독일어, 이탈리아어, 포르투갈어, 네덜란드어, 중국어, 일본어, 한국어, 아랍어 등 수십 개 언어의 다국어 대화를 나열합니다. 출력 언어, 대상 독자, 유지할 용어를 명시하세요. 지원 문서에서는 제품명을 그대로 유지한 현지화 설명과 게시 전에 해결할 불확실한 번역의 짧은 목록을 요청하세요.\n\n긴 문서와 기업 지식\n\n컨텍스트를 활용해 정책 텍스트, 명세, 기존 결정, 답변이 필요한 질문 등 관련 자료를 함께 모으세요. 각 원본과 개정판에 레이블을 붙이세요. 예를 들면 다음과 같이 요청할 수 있습니다. “이 온보딩 정책 세 개를 비교하세요. 공통 요구 사항, 충돌, 답변되지 않은 질문을 표로 반환하고 각 발견 사항의 원본 섹션을 표시하세요.” 결과물은 주제에 관한 일반적인 요약이 아니라 제공된 구절에 근거한 비교가 됩니다.\n\n문서 질문에서는 원하는 상세 수준을 지정하고 결론 옆에 근거 구절을 요청하세요. Mistral의 Document QnA 워크플로는 먼저 OCR로 텍스트와 문서 구조를 추출한 뒤 언어 모델로 해석합니다. 추출된 텍스트를 준비할 때 페이지 번호와 제목을 보존하여 답변이 원본을 가리킬 수 있게 하세요. 문서 URL, 추출 텍스트, 이미지 근거는 준비 요구 사항이 다릅니다. 사용하는 애플리케이션이 지원하는 입력 형식을 선택하세요.\n\n코딩과 일상 지원\n\nMistral은 Large 3를 일상 대화뿐 아니라 코딩 지원 모델로도 소개합니다. 관련 함수, 예상 동작, 관찰된 실패를 제공하세요. 예를 들어 “입력이 줄바꿈 없이 끝나면 이 파서는 마지막 필드를 누락합니다. 실패하는 분기를 설명하고 최소한의 변경을 제안한 다음 대표적인 입출력 예시 세 개와 함께 수정된 함수를 반환하세요.”라고 요청할 수 있습니다. 유용한 결과는 실제 코드와 연결된 변경 제안 및 개발자가 실행할 수 있는 사례 집합입니다.\n\n업무 초안에서는 사실과 원하는 산출물을 함께 제공하세요. 회의 메모를 의사 결정 메모로 바꾸는 요청에서는 결정, 대안, 미해결 가정, 다음 조치를 명시해야 합니다. 원본 사실과 권고를 분리하고 적절한 섹션 안에 누락된 정보를 표시하도록 요청하세요. 그러면 구분 없이 이어지는 서술보다 출력을 수정하기 쉽습니다.\n\n도구와 구조화된 결과\n\n기본 함수 호출을 통해 모델은 제공된 함수를 선택하고 인수를 준비할 수 있습니다. 애플리케이션이 함수를 실행하고 결과를 반환하면 모델은 반환된 정보를 답변에 사용합니다. 도구를 구체적으로 정의하고 작업에 필요한 것만 제공하세요. 재고 확인 어시스턴트는 상품 참조를 받아 재고 조회를 요청하고 반환된 수량과 창고를 설명할 수 있습니다. 요청 실행 전에 선택된 함수와 인수를 검증하고 최종 답변과 함께 도구 응답을 유지하세요.\n\n추출에서는 필드, 유형, 누락된 값의 처리 방식을 지정하세요. Mistral은 JSON 모드와 사용자 지정 구조화된 출력을 문서화합니다. JSON 모드는 JSON 반환을 명시적으로 지시해야 하고 사용자 지정 스키마는 더 강한 형식 제어를 제공합니다. 청구서 요약에서는 공급업체, 청구서 번호, 납부 기한, 통화, 개별 항목을 요청하고 누락된 값을 일관되게 표현할 수 있습니다. 응답이 요청한 구조와 일치하더라도 추출된 값을 문서와 대조하세요.\n\n설정과 버전 차이\n\n시스템 지침에 역할, 작업, 도구 규칙을 정의하세요. Mistral은 이 체크포인트의 운영 및 일상 사용에 temperature 0.1 미만을 권장하며 창의적인 작업에서는 더 높은 값을 시도할 수 있습니다. 다양한 아이디어 요청과 재현 가능한 추출 요청을 구분하세요. 전자에는 대안을 위한 여지를 주고 후자에는 명시적인 필드와 원본 제약을 제공하세요.\n\n이 지시 버전은 Large 3 베이스 체크포인트 및 전용 추론 모델과 별개입니다. 제조사는 엄밀한 추론과 특화된 시각 작업에는 해당 작업을 위해 설계된 모델이 더 적합할 수 있다고 설명합니다. 어려운 계산에서는 가정과 단위를 제공하고 중간 검사를 요청하며 사용 가능한 계산 도구로 결과를 검증하세요. 시각적 근거가 조밀한 경우에는 읽을 수 있는 영역을 준비하고 보고서에 사용하기 전에 답변을 원본과 비교하세요.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral Large 3 2512는 긴 문서, 기업 지식, 코딩, 도구 지원 작업을 위한 다국어 텍스트·이미지 모델입니다. 256k 컨텍스트, 기본 함수 호출, 구조화된 출력으로 제공된 근거를 답변, 레코드, 제안된 작업으로 전환할 수 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Mistral Large 3 2512는 일반 대화, 시각적 이해, 기업 업무를 위한 Mistral AI의 지시 튜닝 버전입니다. 희소 전문가 혼합 아키텍처는 총 6,750억 파라미터 중 410억 개가 활성화되며 컨텍스트 창은 256k입니다. 텍스트와 이미지를 하나의 작업에 함께 활용하고 텍스트, 코드, 구조화된 결과로 답변할 수 있습니다.
기능과 입력 준비
모델은 언어 구성 요소와 비전 인코더를 결합합니다. 읽을 페이지, 해석할 도표, 설명할 화면 등 이미지에 명확한 역할을 부여하세요. 복잡한 화면에서는 관련 제어 요소가 포함된 부분을 잘라 제공하고 이를 이해하는 데 필요한 주변 레이블을 유지하세요. Mistral은 정사각형에 가까운 이미지 형태를 권장합니다. 매우 가늘거나 넓은 원본은 중요한 세부 사항이 읽을 수 없는 띠로 축소되게 하지 말고 유용한 영역별로 나누세요.
제조사는 영어, 프랑스어, 스페인어, 독일어, 이탈리아어, 포르투갈어, 네덜란드어, 중국어, 일본어, 한국어, 아랍어 등 수십 개 언어의 다국어 대화를 나열합니다. 출력 언어, 대상 독자, 유지할 용어를 명시하세요. 지원 문서에서는 제품명을 그대로 유지한 현지화 설명과 게시 전에 해결할 불확실한 번역의 짧은 목록을 요청하세요.
긴 문서와 기업 지식
컨텍스트를 활용해 정책 텍스트, 명세, 기존 결정, 답변이 필요한 질문 등 관련 자료를 함께 모으세요. 각 원본과 개정판에 레이블을 붙이세요. 예를 들면 다음과 같이 요청할 수 있습니다. “이 온보딩 정책 세 개를 비교하세요. 공통 요구 사항, 충돌, 답변되지 않은 질문을 표로 반환하고 각 발견 사항의 원본 섹션을 표시하세요.” 결과물은 주제에 관한 일반적인 요약이 아니라 제공된 구절에 근거한 비교가 됩니다.
문서 질문에서는 원하는 상세 수준을 지정하고 결론 옆에 근거 구절을 요청하세요. Mistral의 Document QnA 워크플로는 먼저 OCR로 텍스트와 문서 구조를 추출한 뒤 언어 모델로 해석합니다. 추출된 텍스트를 준비할 때 페이지 번호와 제목을 보존하여 답변이 원본을 가리킬 수 있게 하세요. 문서 URL, 추출 텍스트, 이미지 근거는 준비 요구 사항이 다릅니다. 사용하는 애플리케이션이 지원하는 입력 형식을 선택하세요.
코딩과 일상 지원
Mistral은 Large 3를 일상 대화뿐 아니라 코딩 지원 모델로도 소개합니다. 관련 함수, 예상 동작, 관찰된 실패를 제공하세요. 예를 들어 “입력이 줄바꿈 없이 끝나면 이 파서는 마지막 필드를 누락합니다. 실패하는 분기를 설명하고 최소한의 변경을 제안한 다음 대표적인 입출력 예시 세 개와 함께 수정된 함수를 반환하세요.”라고 요청할 수 있습니다. 유용한 결과는 실제 코드와 연결된 변경 제안 및 개발자가 실행할 수 있는 사례 집합입니다.
업무 초안에서는 사실과 원하는 산출물을 함께 제공하세요. 회의 메모를 의사 결정 메모로 바꾸는 요청에서는 결정, 대안, 미해결 가정, 다음 조치를 명시해야 합니다. 원본 사실과 권고를 분리하고 적절한 섹션 안에 누락된 정보를 표시하도록 요청하세요. 그러면 구분 없이 이어지는 서술보다 출력을 수정하기 쉽습니다.
도구와 구조화된 결과
기본 함수 호출을 통해 모델은 제공된 함수를 선택하고 인수를 준비할 수 있습니다. 애플리케이션이 함수를 실행하고 결과를 반환하면 모델은 반환된 정보를 답변에 사용합니다. 도구를 구체적으로 정의하고 작업에 필요한 것만 제공하세요. 재고 확인 어시스턴트는 상품 참조를 받아 재고 조회를 요청하고 반환된 수량과 창고를 설명할 수 있습니다. 요청 실행 전에 선택된 함수와 인수를 검증하고 최종 답변과 함께 도구 응답을 유지하세요.
추출에서는 필드, 유형, 누락된 값의 처리 방식을 지정하세요. Mistral은 JSON 모드와 사용자 지정 구조화된 출력을 문서화합니다. JSON 모드는 JSON 반환을 명시적으로 지시해야 하고 사용자 지정 스키마는 더 강한 형식 제어를 제공합니다. 청구서 요약에서는 공급업체, 청구서 번호, 납부 기한, 통화, 개별 항목을 요청하고 누락된 값을 일관되게 표현할 수 있습니다. 응답이 요청한 구조와 일치하더라도 추출된 값을 문서와 대조하세요.
설정과 버전 차이
시스템 지침에 역할, 작업, 도구 규칙을 정의하세요. Mistral은 이 체크포인트의 운영 및 일상 사용에 temperature 0.1 미만을 권장하며 창의적인 작업에서는 더 높은 값을 시도할 수 있습니다. 다양한 아이디어 요청과 재현 가능한 추출 요청을 구분하세요. 전자에는 대안을 위한 여지를 주고 후자에는 명시적인 필드와 원본 제약을 제공하세요.
이 지시 버전은 Large 3 베이스 체크포인트 및 전용 추론 모델과 별개입니다. 제조사는 엄밀한 추론과 특화된 시각 작업에는 해당 작업을 위해 설계된 모델이 더 적합할 수 있다고 설명합니다. 어려운 계산에서는 가정과 단위를 제공하고 중간 검사를 요청하며 사용 가능한 계산 도구로 결과를 검증하세요. 시각적 근거가 조밀한 경우에는 읽을 수 있는 영역을 준비하고 보고서에 사용하기 전에 답변을 원본과 비교하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 mistralai/mistral-large-2512 | 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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0022 / 1K 토큰 출력 · 출력 토큰 $0.0066 / 1K 토큰 입력 · 캐시 읽기 $0.0001 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0022 / 1K 토큰 출력 · 출력 토큰 $0.0066 / 1K 토큰 입력 · 캐시 읽기 $0.0001 / 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": "mistralai/mistral-large-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-2512',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 mistralai/mistral-large-2512
위에 표시된 메서드 경로를 사용하세요.
mistralai/mistral-large-2512Mistral Large 3 2512는 긴 문서, 기업 지식, 코딩, 도구 지원 작업을 위한 다국어 텍스트·이미지 모델입니다. 256k 컨텍스트, 기본 함수 호출, 구조화된 출력으로 제공된 근거를 답변, 레코드, 제안된 작업으로 전환할 수 있습니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Mistral Large 3 2512는 일반 대화, 시각적 이해, 기업 업무를 위한 Mistral AI의 지시 튜닝 버전입니다. 희소 전문가 혼합 아키텍처는 총 6,750억 파라미터 중 410억 개가 활성화되며 컨텍스트 창은 256k입니다. 텍스트와 이미지를 하나의 작업에 함께 활용하고 텍스트, 코드, 구조화된 결과로 답변할 수 있습니다.
기능과 입력 준비
모델은 언어 구성 요소와 비전 인코더를 결합합니다. 읽을 페이지, 해석할 도표, 설명할 화면 등 이미지에 명확한 역할을 부여하세요. 복잡한 화면에서는 관련 제어 요소가 포함된 부분을 잘라 제공하고 이를 이해하는 데 필요한 주변 레이블을 유지하세요. Mistral은 정사각형에 가까운 이미지 형태를 권장합니다. 매우 가늘거나 넓은 원본은 중요한 세부 사항이 읽을 수 없는 띠로 축소되게 하지 말고 유용한 영역별로 나누세요.
제조사는 영어, 프랑스어, 스페인어, 독일어, 이탈리아어, 포르투갈어, 네덜란드어, 중국어, 일본어, 한국어, 아랍어 등 수십 개 언어의 다국어 대화를 나열합니다. 출력 언어, 대상 독자, 유지할 용어를 명시하세요. 지원 문서에서는 제품명을 그대로 유지한 현지화 설명과 게시 전에 해결할 불확실한 번역의 짧은 목록을 요청하세요.
긴 문서와 기업 지식
컨텍스트를 활용해 정책 텍스트, 명세, 기존 결정, 답변이 필요한 질문 등 관련 자료를 함께 모으세요. 각 원본과 개정판에 레이블을 붙이세요. 예를 들면 다음과 같이 요청할 수 있습니다. “이 온보딩 정책 세 개를 비교하세요. 공통 요구 사항, 충돌, 답변되지 않은 질문을 표로 반환하고 각 발견 사항의 원본 섹션을 표시하세요.” 결과물은 주제에 관한 일반적인 요약이 아니라 제공된 구절에 근거한 비교가 됩니다.
문서 질문에서는 원하는 상세 수준을 지정하고 결론 옆에 근거 구절을 요청하세요. Mistral의 Document QnA 워크플로는 먼저 OCR로 텍스트와 문서 구조를 추출한 뒤 언어 모델로 해석합니다. 추출된 텍스트를 준비할 때 페이지 번호와 제목을 보존하여 답변이 원본을 가리킬 수 있게 하세요. 문서 URL, 추출 텍스트, 이미지 근거는 준비 요구 사항이 다릅니다. 사용하는 애플리케이션이 지원하는 입력 형식을 선택하세요.
코딩과 일상 지원
Mistral은 Large 3를 일상 대화뿐 아니라 코딩 지원 모델로도 소개합니다. 관련 함수, 예상 동작, 관찰된 실패를 제공하세요. 예를 들어 “입력이 줄바꿈 없이 끝나면 이 파서는 마지막 필드를 누락합니다. 실패하는 분기를 설명하고 최소한의 변경을 제안한 다음 대표적인 입출력 예시 세 개와 함께 수정된 함수를 반환하세요.”라고 요청할 수 있습니다. 유용한 결과는 실제 코드와 연결된 변경 제안 및 개발자가 실행할 수 있는 사례 집합입니다.
업무 초안에서는 사실과 원하는 산출물을 함께 제공하세요. 회의 메모를 의사 결정 메모로 바꾸는 요청에서는 결정, 대안, 미해결 가정, 다음 조치를 명시해야 합니다. 원본 사실과 권고를 분리하고 적절한 섹션 안에 누락된 정보를 표시하도록 요청하세요. 그러면 구분 없이 이어지는 서술보다 출력을 수정하기 쉽습니다.
도구와 구조화된 결과
기본 함수 호출을 통해 모델은 제공된 함수를 선택하고 인수를 준비할 수 있습니다. 애플리케이션이 함수를 실행하고 결과를 반환하면 모델은 반환된 정보를 답변에 사용합니다. 도구를 구체적으로 정의하고 작업에 필요한 것만 제공하세요. 재고 확인 어시스턴트는 상품 참조를 받아 재고 조회를 요청하고 반환된 수량과 창고를 설명할 수 있습니다. 요청 실행 전에 선택된 함수와 인수를 검증하고 최종 답변과 함께 도구 응답을 유지하세요.
추출에서는 필드, 유형, 누락된 값의 처리 방식을 지정하세요. Mistral은 JSON 모드와 사용자 지정 구조화된 출력을 문서화합니다. JSON 모드는 JSON 반환을 명시적으로 지시해야 하고 사용자 지정 스키마는 더 강한 형식 제어를 제공합니다. 청구서 요약에서는 공급업체, 청구서 번호, 납부 기한, 통화, 개별 항목을 요청하고 누락된 값을 일관되게 표현할 수 있습니다. 응답이 요청한 구조와 일치하더라도 추출된 값을 문서와 대조하세요.
설정과 버전 차이
시스템 지침에 역할, 작업, 도구 규칙을 정의하세요. Mistral은 이 체크포인트의 운영 및 일상 사용에 temperature 0.1 미만을 권장하며 창의적인 작업에서는 더 높은 값을 시도할 수 있습니다. 다양한 아이디어 요청과 재현 가능한 추출 요청을 구분하세요. 전자에는 대안을 위한 여지를 주고 후자에는 명시적인 필드와 원본 제약을 제공하세요.
이 지시 버전은 Large 3 베이스 체크포인트 및 전용 추론 모델과 별개입니다. 제조사는 엄밀한 추론과 특화된 시각 작업에는 해당 작업을 위해 설계된 모델이 더 적합할 수 있다고 설명합니다. 어려운 계산에서는 가정과 단위를 제공하고 중간 검사를 요청하며 사용 가능한 계산 도구로 결과를 검증하세요. 시각적 근거가 조밀한 경우에는 읽을 수 있는 영역을 준비하고 보고서에 사용하기 전에 답변을 원본과 비교하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 mistralai/mistral-large-2512 | 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.
각 요금을 표시된 조건과 대조하세요. 서로 대체되는 설정 묶음마다 하나의 요금만 적용하세요.
| 설정 | 요금표 | 컨텍스트 토큰 수 초과 기준 | 컨텍스트 토큰 수 이하 기준 | 요금 |
|---|---|---|---|---|
| 설정토큰의 기본 단가 | 요금표기본 요금 | 컨텍스트 토큰 수 초과 기준— | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0022 / 1K 토큰 출력 · 출력 토큰 $0.0066 / 1K 토큰 입력 · 캐시 읽기 $0.0001 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
| 설정요청 길이 구간 1 | 요금표— | 컨텍스트 토큰 수 초과 기준0 | 컨텍스트 토큰 수 이하 기준상한 없음 | 요금 입력 · 입력 토큰 $0.0022 / 1K 토큰 출력 · 출력 토큰 $0.0066 / 1K 토큰 입력 · 캐시 읽기 $0.0001 / 1K 토큰 입력 · 캐시 쓰기 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2512', '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 mistralai/mistral-large-2512
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.