Pixtral Large는 Mistral Large 2 기반으로 구축된 Mistral AI의 멀티모달 모델입니다. 1,230억 파라미터의 멀티모달 디코더와 10억 파라미터의 비전 인코더를 결합한 1,240억 파라미터 모델입니다. 문서 페이지, 차트, 사진, 스크린샷처럼 답변에 필요한 시각적 근거를 이해하면서 높은 언어 능력을 유지하는 것이 목적입니다. 텍스트와 이미지를 결합해 입력할 수 있으며 결과는 텍스트입니다.
Mistral은 128K토큰 컨텍스트 윈도우를 설명하며 고해상도 이미지 최소 30개를 수용할 수 있다고 밝힙니다. 이는 보편적인 요청당 이미지 수 설정이 아니라 컨텍스트 용량에 관한 설명입니다. 실용적인 가치는 여러 시각적 원본을 하나의 질문과 연결할 수 있다는 점입니다. 유용한 비교 작업에서는 두 보고서의 라벨이 붙은 페이지를 제공하고 어떤 수치, 라벨, 결론이 다른지 물을 수 있습니다. 질문의 텍스트, 각 이미지의 역할, 필요한 답변 구조를 함께 유지하세요.
제작사는 다국어 텍스트 읽기, 문서 질문, 차트 해석, 일반 이미지 이해를 예시로 보여 줍니다. 문서 어시스턴트에서는 눈에 보이는 필드명과 값, 페이지 레이아웃 설명, 문구를 표나 도표와 연결하는 설명을 요청하세요. 차트에서는 살펴볼 축, 계열, 구간을 지정하세요. 예를 들어 “이 차트들을 비교하세요. 직접 읽을 수 있는 값과 해석을 구분하고 표시된 변화를 식별하며 결론 검토에 필요한 정보를 나열하세요.”라고 요청할 수 있습니다. 결과는 필드 표, 관찰 내용 모음, 글로 된 설명이 될 수 있습니다.
모델 카드는 시스템 프롬프트에 특히 주목합니다. Mistral은 짧더라도 어시스턴트의 목적을 명시하는 지시를 포함할 것을 권장합니다. 같은 이미지로 항목 추출, 장면 묘사, 도식 설명, 글로 된 요구 사항과의 비교 등 서로 다른 작업을 수행할 수 있어 시각 작업에 유용합니다. 작업과 불확실하거나 읽을 수 없는 세부 사항을 처리할 규칙을 명시하세요. 여러 이미지를 제공할 때는 라벨과 순서 또는 관계를 지정해 답변이 관찰 내용을 올바른 자료에 연결할 수 있도록 하세요.
Mistral 모델 페이지에는 문서 질의응답, 구조화된 출력, 함수 호출이 명시되어 있습니다. 제작사 인터페이스는 배치 처리도 지원합니다. 구조화된 출력 지침은 JSON 객체 형식과 사용자 정의 스키마를 구분하며 JSON 모드에서도 JSON을 생성하라는 명시적 지시가 필요합니다. 추출에서는 필드, 누락값 처리, 전사된 텍스트와 결론의 차이를 정의하세요. 구조화된 답변은 애플리케이션이 결과를 처리해야 할 때 유용하며 자유 형식 설명은 사람이 그 이면의 근거를 이해해야 할 때 유용합니다.
함수 호출에서는 애플리케이션이 도구 정의를 제공하고 모델이 인수와 함께 함수를 제안합니다. 이어서 Mistral의 워크플로에서는 애플리케이션이 작업을 실행하고 결과를 돌려보낸 뒤 모델이 후속 답변을 작성합니다. 문서 워크플로는 도구로 이미지에서 읽은 식별자를 조회하고 반환된 레코드를 사용해 설명을 요청할 수 있습니다. 이미지에 레코드가 언급되었다는 이유만으로 시각 모델이 외부 데이터에 임의로 접근할 수 있는 것은 아닙니다. 허용된 작업과 그 결과는 애플리케이션이 제공합니다.
제작사는 predicted-output 및 prefix 기능도 명시합니다. predicted outputs는 작은 변경으로 문서나 코드 파일을 다시 생성할 때 호출자가 예상 텍스트를 제공할 수 있게 하며 prefix는 답변의 시작 텍스트를 정의합니다. 이는 추가 시각 모달리티가 아니라 서로 다른 준비 제어 기능입니다. 유용한 출력은 새로 렌더링한 이미지가 아니라 텍스트 설명, 추출, 해설입니다. 명확한 원본 이미지를 선택하고 보존할 사항을 지정하며 중요한 판독 결과를 원본 페이지와 대조하세요.
latest 라벨은 계열 별칭이며 Pixtral-Large-Instruct-2411은 모델 카드에 문서화된 제작사의 고정 릴리스입니다. 반복 가능한 작업을 준비할 때 이 이름들을 구분하세요. 공개된 컨텍스트 수치는 제작사 모델을 설명하며 읽은 페이지들은 별도의 보편적인 출력 토큰 상한을 입증하지 않습니다. 이미지 모음, 글로 된 질문, 원하는 답변 분량을 함께 선택하고 버전별 요청 한도와 여기서 설명한 일반적인 시각 기능을 구분하세요.
", "aboutText": "Pixtral Large는 Mistral Large 2 기반으로 구축된 Mistral AI의 멀티모달 모델입니다. 1,230억 파라미터의 멀티모달 디코더와 10억 파라미터의 비전 인코더를 결합한 1,240억 파라미터 모델입니다. 문서 페이지, 차트, 사진, 스크린샷처럼 답변에 필요한 시각적 근거를 이해하면서 높은 언어 능력을 유지하는 것이 목적입니다. 텍스트와 이미지를 결합해 입력할 수 있으며 결과는 텍스트입니다.\n\nMistral은 128K토큰 컨텍스트 윈도우를 설명하며 고해상도 이미지 최소 30개를 수용할 수 있다고 밝힙니다. 이는 보편적인 요청당 이미지 수 설정이 아니라 컨텍스트 용량에 관한 설명입니다. 실용적인 가치는 여러 시각적 원본을 하나의 질문과 연결할 수 있다는 점입니다. 유용한 비교 작업에서는 두 보고서의 라벨이 붙은 페이지를 제공하고 어떤 수치, 라벨, 결론이 다른지 물을 수 있습니다. 질문의 텍스트, 각 이미지의 역할, 필요한 답변 구조를 함께 유지하세요.\n\n제작사는 다국어 텍스트 읽기, 문서 질문, 차트 해석, 일반 이미지 이해를 예시로 보여 줍니다. 문서 어시스턴트에서는 눈에 보이는 필드명과 값, 페이지 레이아웃 설명, 문구를 표나 도표와 연결하는 설명을 요청하세요. 차트에서는 살펴볼 축, 계열, 구간을 지정하세요. 예를 들어 “이 차트들을 비교하세요. 직접 읽을 수 있는 값과 해석을 구분하고 표시된 변화를 식별하며 결론 검토에 필요한 정보를 나열하세요.”라고 요청할 수 있습니다. 결과는 필드 표, 관찰 내용 모음, 글로 된 설명이 될 수 있습니다.\n\n모델 카드는 시스템 프롬프트에 특히 주목합니다. Mistral은 짧더라도 어시스턴트의 목적을 명시하는 지시를 포함할 것을 권장합니다. 같은 이미지로 항목 추출, 장면 묘사, 도식 설명, 글로 된 요구 사항과의 비교 등 서로 다른 작업을 수행할 수 있어 시각 작업에 유용합니다. 작업과 불확실하거나 읽을 수 없는 세부 사항을 처리할 규칙을 명시하세요. 여러 이미지를 제공할 때는 라벨과 순서 또는 관계를 지정해 답변이 관찰 내용을 올바른 자료에 연결할 수 있도록 하세요.\n\nMistral 모델 페이지에는 문서 질의응답, 구조화된 출력, 함수 호출이 명시되어 있습니다. 제작사 인터페이스는 배치 처리도 지원합니다. 구조화된 출력 지침은 JSON 객체 형식과 사용자 정의 스키마를 구분하며 JSON 모드에서도 JSON을 생성하라는 명시적 지시가 필요합니다. 추출에서는 필드, 누락값 처리, 전사된 텍스트와 결론의 차이를 정의하세요. 구조화된 답변은 애플리케이션이 결과를 처리해야 할 때 유용하며 자유 형식 설명은 사람이 그 이면의 근거를 이해해야 할 때 유용합니다.\n\n함수 호출에서는 애플리케이션이 도구 정의를 제공하고 모델이 인수와 함께 함수를 제안합니다. 이어서 Mistral의 워크플로에서는 애플리케이션이 작업을 실행하고 결과를 돌려보낸 뒤 모델이 후속 답변을 작성합니다. 문서 워크플로는 도구로 이미지에서 읽은 식별자를 조회하고 반환된 레코드를 사용해 설명을 요청할 수 있습니다. 이미지에 레코드가 언급되었다는 이유만으로 시각 모델이 외부 데이터에 임의로 접근할 수 있는 것은 아닙니다. 허용된 작업과 그 결과는 애플리케이션이 제공합니다.\n\n제작사는 predicted-output 및 prefix 기능도 명시합니다. predicted outputs는 작은 변경으로 문서나 코드 파일을 다시 생성할 때 호출자가 예상 텍스트를 제공할 수 있게 하며 prefix는 답변의 시작 텍스트를 정의합니다. 이는 추가 시각 모달리티가 아니라 서로 다른 준비 제어 기능입니다. 유용한 출력은 새로 렌더링한 이미지가 아니라 텍스트 설명, 추출, 해설입니다. 명확한 원본 이미지를 선택하고 보존할 사항을 지정하며 중요한 판독 결과를 원본 페이지와 대조하세요.\n\nlatest 라벨은 계열 별칭이며 Pixtral-Large-Instruct-2411은 모델 카드에 문서화된 제작사의 고정 릴리스입니다. 반복 가능한 작업을 준비할 때 이 이름들을 구분하세요. 공개된 컨텍스트 수치는 제작사 모델을 설명하며 읽은 페이지들은 별도의 보편적인 출력 토큰 상한을 입증하지 않습니다. 이미지 모음, 글로 된 질문, 원하는 답변 분량을 함께 선택하고 버전별 요청 한도와 여기서 설명한 일반적인 시각 기능을 구분하세요.", "editorialOverlay": { "copy_fields": { "practical_html": "영어 기술 예제
Compare transcribed report charts\n\nCompare these chart transcriptions. Report A: online 40 orders, retail 60; total 100. Report B: online 55 orders, retail 45; total 100. Describe the channel mix change and distinguish order-count change from percentage-point change. Provide a short report caption without inventing chart colors, revenue or causes.A channel comparison table and a two-sentence caption with units distinguishing orders from percentage points.Check that both totals stay 100 and changes are labelled with the correct units rather than relative percent.pixtral-large-latestPixtral Large는 문서, 차트, 사진을 위한 이미지 이해와 Mistral의 언어 능력을 결합합니다. 텍스트 답변을 생성하며 제작사가 문서화한 인터페이스에서 구조화된 결과와 애플리케이션이 정의한 도구를 지원합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Pixtral Large는 Mistral Large 2 기반으로 구축된 Mistral AI의 멀티모달 모델입니다. 1,230억 파라미터의 멀티모달 디코더와 10억 파라미터의 비전 인코더를 결합한 1,240억 파라미터 모델입니다. 문서 페이지, 차트, 사진, 스크린샷처럼 답변에 필요한 시각적 근거를 이해하면서 높은 언어 능력을 유지하는 것이 목적입니다. 텍스트와 이미지를 결합해 입력할 수 있으며 결과는 텍스트입니다.
Mistral은 128K토큰 컨텍스트 윈도우를 설명하며 고해상도 이미지 최소 30개를 수용할 수 있다고 밝힙니다. 이는 보편적인 요청당 이미지 수 설정이 아니라 컨텍스트 용량에 관한 설명입니다. 실용적인 가치는 여러 시각적 원본을 하나의 질문과 연결할 수 있다는 점입니다. 유용한 비교 작업에서는 두 보고서의 라벨이 붙은 페이지를 제공하고 어떤 수치, 라벨, 결론이 다른지 물을 수 있습니다. 질문의 텍스트, 각 이미지의 역할, 필요한 답변 구조를 함께 유지하세요.
제작사는 다국어 텍스트 읽기, 문서 질문, 차트 해석, 일반 이미지 이해를 예시로 보여 줍니다. 문서 어시스턴트에서는 눈에 보이는 필드명과 값, 페이지 레이아웃 설명, 문구를 표나 도표와 연결하는 설명을 요청하세요. 차트에서는 살펴볼 축, 계열, 구간을 지정하세요. 예를 들어 “이 차트들을 비교하세요. 직접 읽을 수 있는 값과 해석을 구분하고 표시된 변화를 식별하며 결론 검토에 필요한 정보를 나열하세요.”라고 요청할 수 있습니다. 결과는 필드 표, 관찰 내용 모음, 글로 된 설명이 될 수 있습니다.
모델 카드는 시스템 프롬프트에 특히 주목합니다. Mistral은 짧더라도 어시스턴트의 목적을 명시하는 지시를 포함할 것을 권장합니다. 같은 이미지로 항목 추출, 장면 묘사, 도식 설명, 글로 된 요구 사항과의 비교 등 서로 다른 작업을 수행할 수 있어 시각 작업에 유용합니다. 작업과 불확실하거나 읽을 수 없는 세부 사항을 처리할 규칙을 명시하세요. 여러 이미지를 제공할 때는 라벨과 순서 또는 관계를 지정해 답변이 관찰 내용을 올바른 자료에 연결할 수 있도록 하세요.
Mistral 모델 페이지에는 문서 질의응답, 구조화된 출력, 함수 호출이 명시되어 있습니다. 제작사 인터페이스는 배치 처리도 지원합니다. 구조화된 출력 지침은 JSON 객체 형식과 사용자 정의 스키마를 구분하며 JSON 모드에서도 JSON을 생성하라는 명시적 지시가 필요합니다. 추출에서는 필드, 누락값 처리, 전사된 텍스트와 결론의 차이를 정의하세요. 구조화된 답변은 애플리케이션이 결과를 처리해야 할 때 유용하며 자유 형식 설명은 사람이 그 이면의 근거를 이해해야 할 때 유용합니다.
함수 호출에서는 애플리케이션이 도구 정의를 제공하고 모델이 인수와 함께 함수를 제안합니다. 이어서 Mistral의 워크플로에서는 애플리케이션이 작업을 실행하고 결과를 돌려보낸 뒤 모델이 후속 답변을 작성합니다. 문서 워크플로는 도구로 이미지에서 읽은 식별자를 조회하고 반환된 레코드를 사용해 설명을 요청할 수 있습니다. 이미지에 레코드가 언급되었다는 이유만으로 시각 모델이 외부 데이터에 임의로 접근할 수 있는 것은 아닙니다. 허용된 작업과 그 결과는 애플리케이션이 제공합니다.
제작사는 predicted-output 및 prefix 기능도 명시합니다. predicted outputs는 작은 변경으로 문서나 코드 파일을 다시 생성할 때 호출자가 예상 텍스트를 제공할 수 있게 하며 prefix는 답변의 시작 텍스트를 정의합니다. 이는 추가 시각 모달리티가 아니라 서로 다른 준비 제어 기능입니다. 유용한 출력은 새로 렌더링한 이미지가 아니라 텍스트 설명, 추출, 해설입니다. 명확한 원본 이미지를 선택하고 보존할 사항을 지정하며 중요한 판독 결과를 원본 페이지와 대조하세요.
latest 라벨은 계열 별칭이며 Pixtral-Large-Instruct-2411은 모델 카드에 문서화된 제작사의 고정 릴리스입니다. 반복 가능한 작업을 준비할 때 이 이름들을 구분하세요. 공개된 컨텍스트 수치는 제작사 모델을 설명하며 읽은 페이지들은 별도의 보편적인 출력 토큰 상한을 입증하지 않습니다. 이미지 모음, 글로 된 질문, 원하는 답변 분량을 함께 선택하고 버전별 요청 한도와 여기서 설명한 일반적인 시각 기능을 구분하세요.
POST /v1/chat/completionstexttext| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 pixtral-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": "pixtral-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='pixtral-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='pixtral-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 pixtral-large-latest
위에 표시된 메서드 경로를 사용하세요.
pixtral-large-latestPixtral Large는 문서, 차트, 사진을 위한 이미지 이해와 Mistral의 언어 능력을 결합합니다. 텍스트 답변을 생성하며 제작사가 문서화한 인터페이스에서 구조화된 결과와 애플리케이션이 정의한 도구를 지원합니다.
이 설명은 모델의 기능을 다룹니다. Ailoot에서 사용할 수 있는 입력, 출력 및 옵션은 아래에 선택한 메서드별로 표시됩니다.
Pixtral Large는 Mistral Large 2 기반으로 구축된 Mistral AI의 멀티모달 모델입니다. 1,230억 파라미터의 멀티모달 디코더와 10억 파라미터의 비전 인코더를 결합한 1,240억 파라미터 모델입니다. 문서 페이지, 차트, 사진, 스크린샷처럼 답변에 필요한 시각적 근거를 이해하면서 높은 언어 능력을 유지하는 것이 목적입니다. 텍스트와 이미지를 결합해 입력할 수 있으며 결과는 텍스트입니다.
Mistral은 128K토큰 컨텍스트 윈도우를 설명하며 고해상도 이미지 최소 30개를 수용할 수 있다고 밝힙니다. 이는 보편적인 요청당 이미지 수 설정이 아니라 컨텍스트 용량에 관한 설명입니다. 실용적인 가치는 여러 시각적 원본을 하나의 질문과 연결할 수 있다는 점입니다. 유용한 비교 작업에서는 두 보고서의 라벨이 붙은 페이지를 제공하고 어떤 수치, 라벨, 결론이 다른지 물을 수 있습니다. 질문의 텍스트, 각 이미지의 역할, 필요한 답변 구조를 함께 유지하세요.
제작사는 다국어 텍스트 읽기, 문서 질문, 차트 해석, 일반 이미지 이해를 예시로 보여 줍니다. 문서 어시스턴트에서는 눈에 보이는 필드명과 값, 페이지 레이아웃 설명, 문구를 표나 도표와 연결하는 설명을 요청하세요. 차트에서는 살펴볼 축, 계열, 구간을 지정하세요. 예를 들어 “이 차트들을 비교하세요. 직접 읽을 수 있는 값과 해석을 구분하고 표시된 변화를 식별하며 결론 검토에 필요한 정보를 나열하세요.”라고 요청할 수 있습니다. 결과는 필드 표, 관찰 내용 모음, 글로 된 설명이 될 수 있습니다.
모델 카드는 시스템 프롬프트에 특히 주목합니다. Mistral은 짧더라도 어시스턴트의 목적을 명시하는 지시를 포함할 것을 권장합니다. 같은 이미지로 항목 추출, 장면 묘사, 도식 설명, 글로 된 요구 사항과의 비교 등 서로 다른 작업을 수행할 수 있어 시각 작업에 유용합니다. 작업과 불확실하거나 읽을 수 없는 세부 사항을 처리할 규칙을 명시하세요. 여러 이미지를 제공할 때는 라벨과 순서 또는 관계를 지정해 답변이 관찰 내용을 올바른 자료에 연결할 수 있도록 하세요.
Mistral 모델 페이지에는 문서 질의응답, 구조화된 출력, 함수 호출이 명시되어 있습니다. 제작사 인터페이스는 배치 처리도 지원합니다. 구조화된 출력 지침은 JSON 객체 형식과 사용자 정의 스키마를 구분하며 JSON 모드에서도 JSON을 생성하라는 명시적 지시가 필요합니다. 추출에서는 필드, 누락값 처리, 전사된 텍스트와 결론의 차이를 정의하세요. 구조화된 답변은 애플리케이션이 결과를 처리해야 할 때 유용하며 자유 형식 설명은 사람이 그 이면의 근거를 이해해야 할 때 유용합니다.
함수 호출에서는 애플리케이션이 도구 정의를 제공하고 모델이 인수와 함께 함수를 제안합니다. 이어서 Mistral의 워크플로에서는 애플리케이션이 작업을 실행하고 결과를 돌려보낸 뒤 모델이 후속 답변을 작성합니다. 문서 워크플로는 도구로 이미지에서 읽은 식별자를 조회하고 반환된 레코드를 사용해 설명을 요청할 수 있습니다. 이미지에 레코드가 언급되었다는 이유만으로 시각 모델이 외부 데이터에 임의로 접근할 수 있는 것은 아닙니다. 허용된 작업과 그 결과는 애플리케이션이 제공합니다.
제작사는 predicted-output 및 prefix 기능도 명시합니다. predicted outputs는 작은 변경으로 문서나 코드 파일을 다시 생성할 때 호출자가 예상 텍스트를 제공할 수 있게 하며 prefix는 답변의 시작 텍스트를 정의합니다. 이는 추가 시각 모달리티가 아니라 서로 다른 준비 제어 기능입니다. 유용한 출력은 새로 렌더링한 이미지가 아니라 텍스트 설명, 추출, 해설입니다. 명확한 원본 이미지를 선택하고 보존할 사항을 지정하며 중요한 판독 결과를 원본 페이지와 대조하세요.
latest 라벨은 계열 별칭이며 Pixtral-Large-Instruct-2411은 모델 카드에 문서화된 제작사의 고정 릴리스입니다. 반복 가능한 작업을 준비할 때 이 이름들을 구분하세요. 공개된 컨텍스트 수치는 제작사 모델을 설명하며 읽은 페이지들은 별도의 보편적인 출력 토큰 상한을 입증하지 않습니다. 이미지 모음, 글로 된 질문, 원하는 답변 분량을 함께 선택하고 버전별 요청 한도와 여기서 설명한 일반적인 시각 기능을 구분하세요.
POST /v1/messagestextjson, sse| 필드 | 유형 | 요건 | 값과 한도 | 기본값 |
|---|---|---|---|---|
필드model | 유형string | 요건필수 | 값과 한도 pixtral-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 $0 / 1K 토큰 입력 · 캐시 쓰기, 1시간 — / 1K 토큰 |
Ailoot는 요청 전에 예상 금액을 미리 확보합니다. 결과를 받은 뒤 측정된 사용량을 기준으로 최종 요금을 정산합니다. 스트리밍 정산에는 최종 사용량 기록을 사용합니다. 금액 확보와 정산 방식 →
{\n "model": "pixtral-large-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'pixtral-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': 'pixtral-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 pixtral-large-latest
위에 표시된 메서드 경로를 사용하세요.
영어 기술 예제
Compare transcribed report charts\n\nCompare these chart transcriptions. Report A: online 40 orders, retail 60; total 100. Report B: online 55 orders, retail 45; total 100. Describe the channel mix change and distinguish order-count change from percentage-point change. Provide a short report caption without inventing chart colors, revenue or causes.A channel comparison table and a two-sentence caption with units distinguishing orders from percentage points.Check that both totals stay 100 and changes are labelled with the correct units rather than relative percent.