Mistral Large 2407 ialah edisi 24.07 Mistral Large 2 Mistral AI. Ia ialah model bahasa padat dengan 123 bilion parameter dan tetingkap konteks 128K. Model memproses arahan bertulis dan perbualan untuk menjana teks, kod atau JSON. Edisi tetap ini kekal berasingan daripada generasi Large multimodal yang kemudian dan pilihan keluarga Large yang berubah mengikut keluaran semasa.
Kerja berbilang bahasa merupakan teras keluaran ini. Pengeluarnya menerangkan sokongan untuk puluhan bahasa, termasuk bahasa Inggeris, Perancis, Jerman, Sepanyol, Itali, Portugis, Belanda, Rusia, Cina, Jepun, Korea, Arab dan Hindi. Untuk tugas dokumen, nyatakan bahasa sumber, bahasa jawapan dan sebarang istilah yang perlu dikekalkan tanpa perubahan. Hasil yang berguna boleh membandingkan dua petikan, meringkaskan rekod panjang atau mengekstrak maklumat yang diperlukan untuk keputusan perniagaan.
Pengekodan ialah satu lagi tumpuan utama: latihan merangkumi lebih 80 bahasa pengaturcaraan, termasuk Python, Java, C, C++, JavaScript, Bash, Swift dan Fortran. Sediakan tugasan perisian dengan kod berkaitan, tingkah laku yang dijangka dan kekangan yang perlu dikekalkan. Minta perubahan yang dicadangkan dan penaakulan di sebaliknya, diikuti pemeriksaan yang menangani kegagalan yang diperhatikan. Ini mengikat kod yang dijana kepada hasil yang ditentukan dan bukannya membiarkan tugas berakhir pada fragmen yang kelihatan munasabah.
Keluaran ini menekankan penaakulan matematik, kepatuhan arahan yang tepat dan perbualan berbilang giliran yang panjang. Latihannya menggalakkan respons ringkas dan pengakuan maklumat yang tiada apabila penyelesaian yang meyakinkan tidak disokong. Prom penyelesaian masalah boleh membekalkan premis dan meminta kesimpulan, langkah pertengahan yang penting dan sebarang input yang tiada. Giliran susulan boleh memperhalus kekangan sambil mengekalkan perbualan yang telah terbentuk.
Panggilan fungsi asli menyokong panggilan selari dan berturut-turut, dan output JSON boleh menghantar maklumat kepada aplikasi. Terangkan fungsi yang tersedia dan medan inputnya, kemudian berikan objektif pengguna. Model mencadangkan panggilan fungsi; aplikasi melaksanakannya dan mengembalikan hasil sebelum model meneruskan. Kekalkan kaitan panggilan dengan hasil sepanjang pertukaran itu. Contoh yang diterbitkan untuk edisi khusus ini menggunakan pengecam panggilan alat sepanjang sembilan aksara abjad angka dalam protokol pengeluar.
Untuk kerja berasaskan perolehan maklumat, berikan bahan berkaitan atau biarkan aplikasi sekeliling mendapatkannya. Minta jawapan mengenal pasti petikan yang menyokong setiap kesimpulan. Contohnya, pembantu dasar boleh membandingkan situasi pengguna dengan dasar yang diberikan dan mengembalikan peraturan yang terpakai, bukti dan soalan seterusnya untuk diselesaikan. Tugas pengekstrakan JSON perlu mentakrifkan medan wajib dan cara menangani maklumat yang tiada dalam sumber. Penjanaan JSON ialah keupayaan model; aplikasi masih memeriksa sama ada hasil sepadan dengan struktur yang diperlukan.
Titik semak instruct yang diterbitkan tidak mempunyai mekanisme moderasi terbina dalam, seperti yang dinyatakan secara jelas dalam kad modelnya. Aplikasi yang memerlukan output yang dimoderasi memerlukan kawalannya sendiri. Konteks panjang model juga kekal sebagai sumber terhingga: sediakan bahagian dokumen dan perbualan yang berkaitan supaya jawapan yang diminta mempunyai ruang bersama input.
", "aboutText": "Mistral Large 2407 ialah edisi 24.07 Mistral Large 2 Mistral AI. Ia ialah model bahasa padat dengan 123 bilion parameter dan tetingkap konteks 128K. Model memproses arahan bertulis dan perbualan untuk menjana teks, kod atau JSON. Edisi tetap ini kekal berasingan daripada generasi Large multimodal yang kemudian dan pilihan keluarga Large yang berubah mengikut keluaran semasa.\n\nKerja berbilang bahasa merupakan teras keluaran ini. Pengeluarnya menerangkan sokongan untuk puluhan bahasa, termasuk bahasa Inggeris, Perancis, Jerman, Sepanyol, Itali, Portugis, Belanda, Rusia, Cina, Jepun, Korea, Arab dan Hindi. Untuk tugas dokumen, nyatakan bahasa sumber, bahasa jawapan dan sebarang istilah yang perlu dikekalkan tanpa perubahan. Hasil yang berguna boleh membandingkan dua petikan, meringkaskan rekod panjang atau mengekstrak maklumat yang diperlukan untuk keputusan perniagaan.\n\nPengekodan ialah satu lagi tumpuan utama: latihan merangkumi lebih 80 bahasa pengaturcaraan, termasuk Python, Java, C, C++, JavaScript, Bash, Swift dan Fortran. Sediakan tugasan perisian dengan kod berkaitan, tingkah laku yang dijangka dan kekangan yang perlu dikekalkan. Minta perubahan yang dicadangkan dan penaakulan di sebaliknya, diikuti pemeriksaan yang menangani kegagalan yang diperhatikan. Ini mengikat kod yang dijana kepada hasil yang ditentukan dan bukannya membiarkan tugas berakhir pada fragmen yang kelihatan munasabah.\n\nKeluaran ini menekankan penaakulan matematik, kepatuhan arahan yang tepat dan perbualan berbilang giliran yang panjang. Latihannya menggalakkan respons ringkas dan pengakuan maklumat yang tiada apabila penyelesaian yang meyakinkan tidak disokong. Prom penyelesaian masalah boleh membekalkan premis dan meminta kesimpulan, langkah pertengahan yang penting dan sebarang input yang tiada. Giliran susulan boleh memperhalus kekangan sambil mengekalkan perbualan yang telah terbentuk.\n\nPanggilan fungsi asli menyokong panggilan selari dan berturut-turut, dan output JSON boleh menghantar maklumat kepada aplikasi. Terangkan fungsi yang tersedia dan medan inputnya, kemudian berikan objektif pengguna. Model mencadangkan panggilan fungsi; aplikasi melaksanakannya dan mengembalikan hasil sebelum model meneruskan. Kekalkan kaitan panggilan dengan hasil sepanjang pertukaran itu. Contoh yang diterbitkan untuk edisi khusus ini menggunakan pengecam panggilan alat sepanjang sembilan aksara abjad angka dalam protokol pengeluar.\n\nUntuk kerja berasaskan perolehan maklumat, berikan bahan berkaitan atau biarkan aplikasi sekeliling mendapatkannya. Minta jawapan mengenal pasti petikan yang menyokong setiap kesimpulan. Contohnya, pembantu dasar boleh membandingkan situasi pengguna dengan dasar yang diberikan dan mengembalikan peraturan yang terpakai, bukti dan soalan seterusnya untuk diselesaikan. Tugas pengekstrakan JSON perlu mentakrifkan medan wajib dan cara menangani maklumat yang tiada dalam sumber. Penjanaan JSON ialah keupayaan model; aplikasi masih memeriksa sama ada hasil sepadan dengan struktur yang diperlukan.\n\nTitik semak instruct yang diterbitkan tidak mempunyai mekanisme moderasi terbina dalam, seperti yang dinyatakan secara jelas dalam kad modelnya. Aplikasi yang memerlukan output yang dimoderasi memerlukan kawalannya sendiri. Konteks panjang model juga kekal sebagai sumber terhingga: sediakan bahagian dokumen dan perbualan yang berkaitan supaya jawapan yang diminta mempunyai ruang bersama input.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.mistralai/mistral-large-2407Mistral Large 2407 ialah edisi padat 123B Mistral Large 2 untuk teks berbilang bahasa, pengekodan dan penaakulan dalam konteks 128K. Panggilan fungsi asli, output JSON dan kepatuhan arahan berbilang giliran menyokong aliran kerja dokumen dan perniagaan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Large 2407 ialah edisi 24.07 Mistral Large 2 Mistral AI. Ia ialah model bahasa padat dengan 123 bilion parameter dan tetingkap konteks 128K. Model memproses arahan bertulis dan perbualan untuk menjana teks, kod atau JSON. Edisi tetap ini kekal berasingan daripada generasi Large multimodal yang kemudian dan pilihan keluarga Large yang berubah mengikut keluaran semasa.
Kerja berbilang bahasa merupakan teras keluaran ini. Pengeluarnya menerangkan sokongan untuk puluhan bahasa, termasuk bahasa Inggeris, Perancis, Jerman, Sepanyol, Itali, Portugis, Belanda, Rusia, Cina, Jepun, Korea, Arab dan Hindi. Untuk tugas dokumen, nyatakan bahasa sumber, bahasa jawapan dan sebarang istilah yang perlu dikekalkan tanpa perubahan. Hasil yang berguna boleh membandingkan dua petikan, meringkaskan rekod panjang atau mengekstrak maklumat yang diperlukan untuk keputusan perniagaan.
Pengekodan ialah satu lagi tumpuan utama: latihan merangkumi lebih 80 bahasa pengaturcaraan, termasuk Python, Java, C, C++, JavaScript, Bash, Swift dan Fortran. Sediakan tugasan perisian dengan kod berkaitan, tingkah laku yang dijangka dan kekangan yang perlu dikekalkan. Minta perubahan yang dicadangkan dan penaakulan di sebaliknya, diikuti pemeriksaan yang menangani kegagalan yang diperhatikan. Ini mengikat kod yang dijana kepada hasil yang ditentukan dan bukannya membiarkan tugas berakhir pada fragmen yang kelihatan munasabah.
Keluaran ini menekankan penaakulan matematik, kepatuhan arahan yang tepat dan perbualan berbilang giliran yang panjang. Latihannya menggalakkan respons ringkas dan pengakuan maklumat yang tiada apabila penyelesaian yang meyakinkan tidak disokong. Prom penyelesaian masalah boleh membekalkan premis dan meminta kesimpulan, langkah pertengahan yang penting dan sebarang input yang tiada. Giliran susulan boleh memperhalus kekangan sambil mengekalkan perbualan yang telah terbentuk.
Panggilan fungsi asli menyokong panggilan selari dan berturut-turut, dan output JSON boleh menghantar maklumat kepada aplikasi. Terangkan fungsi yang tersedia dan medan inputnya, kemudian berikan objektif pengguna. Model mencadangkan panggilan fungsi; aplikasi melaksanakannya dan mengembalikan hasil sebelum model meneruskan. Kekalkan kaitan panggilan dengan hasil sepanjang pertukaran itu. Contoh yang diterbitkan untuk edisi khusus ini menggunakan pengecam panggilan alat sepanjang sembilan aksara abjad angka dalam protokol pengeluar.
Untuk kerja berasaskan perolehan maklumat, berikan bahan berkaitan atau biarkan aplikasi sekeliling mendapatkannya. Minta jawapan mengenal pasti petikan yang menyokong setiap kesimpulan. Contohnya, pembantu dasar boleh membandingkan situasi pengguna dengan dasar yang diberikan dan mengembalikan peraturan yang terpakai, bukti dan soalan seterusnya untuk diselesaikan. Tugas pengekstrakan JSON perlu mentakrifkan medan wajib dan cara menangani maklumat yang tiada dalam sumber. Penjanaan JSON ialah keupayaan model; aplikasi masih memeriksa sama ada hasil sepadan dengan struktur yang diperlukan.
Titik semak instruct yang diterbitkan tidak mempunyai mekanisme moderasi terbina dalam, seperti yang dinyatakan secara jelas dalam kad modelnya. Aplikasi yang memerlukan output yang dimoderasi memerlukan kawalannya sendiri. Konteks panjang model juga kekal sebagai sumber terhingga: sediakan bahagian dokumen dan perbualan yang berkaitan supaya jawapan yang diminta mempunyai ruang bersama input.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-large-2407 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.01 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.0004 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.01 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.0004 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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-2407", "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-2407',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-2407',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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra mistralai/mistral-large-2407
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/mistral-large-2407Mistral Large 2407 ialah edisi padat 123B Mistral Large 2 untuk teks berbilang bahasa, pengekodan dan penaakulan dalam konteks 128K. Panggilan fungsi asli, output JSON dan kepatuhan arahan berbilang giliran menyokong aliran kerja dokumen dan perniagaan.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Large 2407 ialah edisi 24.07 Mistral Large 2 Mistral AI. Ia ialah model bahasa padat dengan 123 bilion parameter dan tetingkap konteks 128K. Model memproses arahan bertulis dan perbualan untuk menjana teks, kod atau JSON. Edisi tetap ini kekal berasingan daripada generasi Large multimodal yang kemudian dan pilihan keluarga Large yang berubah mengikut keluaran semasa.
Kerja berbilang bahasa merupakan teras keluaran ini. Pengeluarnya menerangkan sokongan untuk puluhan bahasa, termasuk bahasa Inggeris, Perancis, Jerman, Sepanyol, Itali, Portugis, Belanda, Rusia, Cina, Jepun, Korea, Arab dan Hindi. Untuk tugas dokumen, nyatakan bahasa sumber, bahasa jawapan dan sebarang istilah yang perlu dikekalkan tanpa perubahan. Hasil yang berguna boleh membandingkan dua petikan, meringkaskan rekod panjang atau mengekstrak maklumat yang diperlukan untuk keputusan perniagaan.
Pengekodan ialah satu lagi tumpuan utama: latihan merangkumi lebih 80 bahasa pengaturcaraan, termasuk Python, Java, C, C++, JavaScript, Bash, Swift dan Fortran. Sediakan tugasan perisian dengan kod berkaitan, tingkah laku yang dijangka dan kekangan yang perlu dikekalkan. Minta perubahan yang dicadangkan dan penaakulan di sebaliknya, diikuti pemeriksaan yang menangani kegagalan yang diperhatikan. Ini mengikat kod yang dijana kepada hasil yang ditentukan dan bukannya membiarkan tugas berakhir pada fragmen yang kelihatan munasabah.
Keluaran ini menekankan penaakulan matematik, kepatuhan arahan yang tepat dan perbualan berbilang giliran yang panjang. Latihannya menggalakkan respons ringkas dan pengakuan maklumat yang tiada apabila penyelesaian yang meyakinkan tidak disokong. Prom penyelesaian masalah boleh membekalkan premis dan meminta kesimpulan, langkah pertengahan yang penting dan sebarang input yang tiada. Giliran susulan boleh memperhalus kekangan sambil mengekalkan perbualan yang telah terbentuk.
Panggilan fungsi asli menyokong panggilan selari dan berturut-turut, dan output JSON boleh menghantar maklumat kepada aplikasi. Terangkan fungsi yang tersedia dan medan inputnya, kemudian berikan objektif pengguna. Model mencadangkan panggilan fungsi; aplikasi melaksanakannya dan mengembalikan hasil sebelum model meneruskan. Kekalkan kaitan panggilan dengan hasil sepanjang pertukaran itu. Contoh yang diterbitkan untuk edisi khusus ini menggunakan pengecam panggilan alat sepanjang sembilan aksara abjad angka dalam protokol pengeluar.
Untuk kerja berasaskan perolehan maklumat, berikan bahan berkaitan atau biarkan aplikasi sekeliling mendapatkannya. Minta jawapan mengenal pasti petikan yang menyokong setiap kesimpulan. Contohnya, pembantu dasar boleh membandingkan situasi pengguna dengan dasar yang diberikan dan mengembalikan peraturan yang terpakai, bukti dan soalan seterusnya untuk diselesaikan. Tugas pengekstrakan JSON perlu mentakrifkan medan wajib dan cara menangani maklumat yang tiada dalam sumber. Penjanaan JSON ialah keupayaan model; aplikasi masih memeriksa sama ada hasil sepadan dengan struktur yang diperlukan.
Titik semak instruct yang diterbitkan tidak mempunyai mekanisme moderasi terbina dalam, seperti yang dinyatakan secara jelas dalam kad modelnya. Aplikasi yang memerlukan output yang dimoderasi memerlukan kawalannya sendiri. Konteks panjang model juga kekal sebagai sumber terhingga: sediakan bahagian dokumen dan perbualan yang berkaitan supaya jawapan yang diminta mempunyai ruang bersama input.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-large-2407 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.01 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.0004 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.01 / 1K token Output · Token output $0.02 / 1K token Input · Bacaan cache $0.0004 / 1K token Input · Penulisan cache $0 / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/mistral-large-2407",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2407', '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-2407', '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 atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra mistralai/mistral-large-2407
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.