Mistral Large 4 ialah model multimodal serba guna Mistral AI yang menggabungkan kepatuhan arahan, penaakulan, pengekodan dan kerja berasaskan ejen. Ia menerima teks dan imej serta menghasilkan teks, termasuk penjelasan, kod dan medan berstruktur. Seni bina campuran pakar berbutir halusnya menggunakan komponen terpilih bagi setiap token dan bukannya mengaktifkan seluruh set parameter serentak.
Seni bina dan konteks
Halaman model semasa menyenaraikan jumlah 1.05 trilion parameter, 52 bilion parameter aktif dan pengekod penglihatan dengan 1.6 bilion parameter. Halaman keluaran pembuat menjelaskan konvensyen pengiraan: 49 bilion parameter aktif bagi setiap token, atau 52 bilion termasuk lapisan pembenaman dan output. Angka ini menerangkan struktur model dan bukannya panjang jawapan.
Pembuat mendokumentasikan tetingkap konteks sejuta token. Gunakannya untuk menggabungkan bahan sumber yang banyak, perbualan dan arahan, sambil mentakrifkan tujuan artifak akhir. Untuk soalan berbilang dokumen, kenal pasti setiap dokumen dan peranannya serta minta lokasi sumber di sisi setiap dapatan. Konteks besar berguna apabila keperluan, rajah dan penjelasan berkaitan perlu dipertimbangkan bersama.
Jawapan berstruktur dan soalan dokumen
Kad model menyenaraikan output berstruktur, panggilan fungsi, soal jawab dokumen, awalan respons, penghantaran kelompok dan perbualan ejen. Dokumentasi output berstruktur Mistral membezakan mod JSON daripada skema tersuai. Nyatakan format JSON yang diperlukan dalam prom; gunakan skema yang ditentukan apabila antara muka yang disambungkan memerlukan struktur medan tertentu. Rekod boleh memisahkan fakta sumber, tafsiran dan soalan terbuka dan bukannya menggabungkannya dalam satu perenggan.
Soal jawab dokumen ialah aliran kerja yang menggabungkan pemprosesan dokumen dengan pemahaman model bahasa. OCR menyediakan teks, struktur dan pemformatan, selepas itu model menjawab soalan tentang bahan tersebut. Permintaan boleh mencari keperluan, membandingkan pernyataan merentas dokumen atau meringkaskan bukti yang relevan untuk keputusan. Pemahaman imej langsung dan aliran kerja dokumen berbantukan OCR ialah cara berkaitan untuk menyediakan bukti; langkah pemprosesan dokumen kekal berbeza daripada input imej.
Contohnya, berikan spesifikasi teknikal dan lukisan, kenal pasti semakan yang sedang dipertimbangkan dan minta matriks keperluan. Setiap baris boleh mengandungi keperluan, dokumen atau lukisan sokongan, perbezaan yang diperhatikan dan penjelasan yang masih diperlukan. Kekalkan label, unit dan kawasan imej yang menentukan perbandingan supaya hasil kekal berhubung dengan bahan sumber.
Pengekodan, ejen dan penaakulan visual
Keluaran ini menerangkan analisis keselamatan siber, kejuruteraan perisian, pemahaman repositori dan aliran kerja berorientasikan terminal. Untuk semakan kod pertahanan, berikan laluan kod berkaitan, tingkah laku yang dijangka dan bukti kegagalan. Minta punca, pembetulan yang dicadangkan dan contoh yang membezakan tingkah laku lama daripada yang dimaksudkan. Untuk soalan repositori, sertakan modul dan hubungan panggilan yang diperlukan untuk menerangkan tingkah laku yang dipilih.
Panggilan fungsi menghubungkan penaakulan kepada alat yang dibekalkan aplikasi. Jujukan pembuat mentakrifkan fungsi, memberikan soalan pengguna, membiarkan model menyediakan argumen, melaksanakan fungsi yang dipilih dalam aplikasi dan mengembalikan hasilnya untuk jawapan seterusnya. Panggilan yang dicadangkan berbeza daripada pelaksanaan. Kad model turut menyenaraikan alat terbina dalam dalam antara muka ejen/perbualan pembuat; ia milik aliran kerja yang disambungkan itu dan bukannya menambah modaliti input atau output baharu pada model.
Pemahaman visual merangkumi dokumen, carta, pemandangan semula jadi dan lukisan kejuruteraan. Tugas lukisan boleh bertanya komponen berlabel yang memenuhi keperluan yang diberikan, dimensi atau anotasi yang menyokong dapatan dan kawasan yang perlu diperiksa dengan lebih dekat. Contoh ejen visual dalam keluaran menggabungkan tafsiran dengan langkah pemeriksaan; zum, perolehan maklumat dan tindakan lain memerlukan persekitaran alat sekeliling.
Sains, matematik dan hasil serahan profesional
Pembuat menerangkan pengekodan saintifik, analisis data, pemodelan dan penaakulan matematik antara aplikasi yang dimaksudkan. Berikan persamaan, andaian, unit dan bentuk hasil yang diperlukan. Permintaan pengekodan saintifik boleh meminta pelaksanaan, makna setiap pemboleh ubah dan rancangan untuk membandingkan outputnya dengan keadaan rujukan. Menghasilkan pelaksanaan itu ialah hasil teks; menjalankan simulasi atau mencipta fail memerlukan persekitaran aplikasi.
Untuk kerja dokumen profesional, berikan laporan sumber dan takrifkan artifak: jadual perbandingan, penjelasan, petikan yang disemak atau kandungan hamparan. Nyatakan asas pengiraan dan kekalkan lokasi dokumen sokongan. Keluaran ini turut menerangkan latihan berbilang bahasa merangkumi lebih 160 bahasa, termasuk semua bahasa rasmi Kesatuan Eropah; kenal pasti bahasa output dan istilah yang diperlukan semasa menyediakan tugas berbilang bahasa.
Batas yang berguna
Modaliti yang didokumentasikan ialah input teks dan imej dengan output teks. Konteks sejuta token pembuat bukan spesifikasi panjang jawapan maksimum berasingan, dan sumber yang dibaca tidak menetapkan had keras output yang bebas untuk entri ini. Pastikan edisi Large 4 yang tepat, bukti yang disediakan dan alat yang disambungkan jelas. Rekod berstruktur, penjelasan atau tindakan yang dicadangkan paling berguna apabila medannya, sumber sokongan dan langkah aplikasi seterusnya ditentukan sebelum permintaan.
", "aboutText": "Mistral Large 4 ialah model multimodal serba guna Mistral AI yang menggabungkan kepatuhan arahan, penaakulan, pengekodan dan kerja berasaskan ejen. Ia menerima teks dan imej serta menghasilkan teks, termasuk penjelasan, kod dan medan berstruktur. Seni bina campuran pakar berbutir halusnya menggunakan komponen terpilih bagi setiap token dan bukannya mengaktifkan seluruh set parameter serentak.\n\nSeni bina dan konteks\n\nHalaman model semasa menyenaraikan jumlah 1.05 trilion parameter, 52 bilion parameter aktif dan pengekod penglihatan dengan 1.6 bilion parameter. Halaman keluaran pembuat menjelaskan konvensyen pengiraan: 49 bilion parameter aktif bagi setiap token, atau 52 bilion termasuk lapisan pembenaman dan output. Angka ini menerangkan struktur model dan bukannya panjang jawapan.\n\nPembuat mendokumentasikan tetingkap konteks sejuta token. Gunakannya untuk menggabungkan bahan sumber yang banyak, perbualan dan arahan, sambil mentakrifkan tujuan artifak akhir. Untuk soalan berbilang dokumen, kenal pasti setiap dokumen dan peranannya serta minta lokasi sumber di sisi setiap dapatan. Konteks besar berguna apabila keperluan, rajah dan penjelasan berkaitan perlu dipertimbangkan bersama.\n\nJawapan berstruktur dan soalan dokumen\n\nKad model menyenaraikan output berstruktur, panggilan fungsi, soal jawab dokumen, awalan respons, penghantaran kelompok dan perbualan ejen. Dokumentasi output berstruktur Mistral membezakan mod JSON daripada skema tersuai. Nyatakan format JSON yang diperlukan dalam prom; gunakan skema yang ditentukan apabila antara muka yang disambungkan memerlukan struktur medan tertentu. Rekod boleh memisahkan fakta sumber, tafsiran dan soalan terbuka dan bukannya menggabungkannya dalam satu perenggan.\n\nSoal jawab dokumen ialah aliran kerja yang menggabungkan pemprosesan dokumen dengan pemahaman model bahasa. OCR menyediakan teks, struktur dan pemformatan, selepas itu model menjawab soalan tentang bahan tersebut. Permintaan boleh mencari keperluan, membandingkan pernyataan merentas dokumen atau meringkaskan bukti yang relevan untuk keputusan. Pemahaman imej langsung dan aliran kerja dokumen berbantukan OCR ialah cara berkaitan untuk menyediakan bukti; langkah pemprosesan dokumen kekal berbeza daripada input imej.\n\nContohnya, berikan spesifikasi teknikal dan lukisan, kenal pasti semakan yang sedang dipertimbangkan dan minta matriks keperluan. Setiap baris boleh mengandungi keperluan, dokumen atau lukisan sokongan, perbezaan yang diperhatikan dan penjelasan yang masih diperlukan. Kekalkan label, unit dan kawasan imej yang menentukan perbandingan supaya hasil kekal berhubung dengan bahan sumber.\n\nPengekodan, ejen dan penaakulan visual\n\nKeluaran ini menerangkan analisis keselamatan siber, kejuruteraan perisian, pemahaman repositori dan aliran kerja berorientasikan terminal. Untuk semakan kod pertahanan, berikan laluan kod berkaitan, tingkah laku yang dijangka dan bukti kegagalan. Minta punca, pembetulan yang dicadangkan dan contoh yang membezakan tingkah laku lama daripada yang dimaksudkan. Untuk soalan repositori, sertakan modul dan hubungan panggilan yang diperlukan untuk menerangkan tingkah laku yang dipilih.\n\nPanggilan fungsi menghubungkan penaakulan kepada alat yang dibekalkan aplikasi. Jujukan pembuat mentakrifkan fungsi, memberikan soalan pengguna, membiarkan model menyediakan argumen, melaksanakan fungsi yang dipilih dalam aplikasi dan mengembalikan hasilnya untuk jawapan seterusnya. Panggilan yang dicadangkan berbeza daripada pelaksanaan. Kad model turut menyenaraikan alat terbina dalam dalam antara muka ejen/perbualan pembuat; ia milik aliran kerja yang disambungkan itu dan bukannya menambah modaliti input atau output baharu pada model.\n\nPemahaman visual merangkumi dokumen, carta, pemandangan semula jadi dan lukisan kejuruteraan. Tugas lukisan boleh bertanya komponen berlabel yang memenuhi keperluan yang diberikan, dimensi atau anotasi yang menyokong dapatan dan kawasan yang perlu diperiksa dengan lebih dekat. Contoh ejen visual dalam keluaran menggabungkan tafsiran dengan langkah pemeriksaan; zum, perolehan maklumat dan tindakan lain memerlukan persekitaran alat sekeliling.\n\nSains, matematik dan hasil serahan profesional\n\nPembuat menerangkan pengekodan saintifik, analisis data, pemodelan dan penaakulan matematik antara aplikasi yang dimaksudkan. Berikan persamaan, andaian, unit dan bentuk hasil yang diperlukan. Permintaan pengekodan saintifik boleh meminta pelaksanaan, makna setiap pemboleh ubah dan rancangan untuk membandingkan outputnya dengan keadaan rujukan. Menghasilkan pelaksanaan itu ialah hasil teks; menjalankan simulasi atau mencipta fail memerlukan persekitaran aplikasi.\n\nUntuk kerja dokumen profesional, berikan laporan sumber dan takrifkan artifak: jadual perbandingan, penjelasan, petikan yang disemak atau kandungan hamparan. Nyatakan asas pengiraan dan kekalkan lokasi dokumen sokongan. Keluaran ini turut menerangkan latihan berbilang bahasa merangkumi lebih 160 bahasa, termasuk semua bahasa rasmi Kesatuan Eropah; kenal pasti bahasa output dan istilah yang diperlukan semasa menyediakan tugas berbilang bahasa.\n\nBatas yang berguna\n\nModaliti yang didokumentasikan ialah input teks dan imej dengan output teks. Konteks sejuta token pembuat bukan spesifikasi panjang jawapan maksimum berasingan, dan sumber yang dibaca tidak menetapkan had keras output yang bebas untuk entri ini. Pastikan edisi Large 4 yang tepat, bukti yang disediakan dan alat yang disambungkan jelas. Rekod berstruktur, penjelasan atau tindakan yang dicadangkan paling berguna apabila medannya, sumber sokongan dan langkah aplikasi seterusnya ditentukan sebelum permintaan.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 ialah model teks dan imej untuk penaakulan, pengekodan, analisis dokumen dan ejen berasaskan alat. Konteks sejuta token yang dinyatakan oleh pembuat menyokong koleksi sumber yang banyak, dengan jawapan berstruktur, panggilan fungsi dan seni bina campuran pakar berbutir halus.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Large 4 ialah model multimodal serba guna Mistral AI yang menggabungkan kepatuhan arahan, penaakulan, pengekodan dan kerja berasaskan ejen. Ia menerima teks dan imej serta menghasilkan teks, termasuk penjelasan, kod dan medan berstruktur. Seni bina campuran pakar berbutir halusnya menggunakan komponen terpilih bagi setiap token dan bukannya mengaktifkan seluruh set parameter serentak.
Seni bina dan konteks
Halaman model semasa menyenaraikan jumlah 1.05 trilion parameter, 52 bilion parameter aktif dan pengekod penglihatan dengan 1.6 bilion parameter. Halaman keluaran pembuat menjelaskan konvensyen pengiraan: 49 bilion parameter aktif bagi setiap token, atau 52 bilion termasuk lapisan pembenaman dan output. Angka ini menerangkan struktur model dan bukannya panjang jawapan.
Pembuat mendokumentasikan tetingkap konteks sejuta token. Gunakannya untuk menggabungkan bahan sumber yang banyak, perbualan dan arahan, sambil mentakrifkan tujuan artifak akhir. Untuk soalan berbilang dokumen, kenal pasti setiap dokumen dan peranannya serta minta lokasi sumber di sisi setiap dapatan. Konteks besar berguna apabila keperluan, rajah dan penjelasan berkaitan perlu dipertimbangkan bersama.
Jawapan berstruktur dan soalan dokumen
Kad model menyenaraikan output berstruktur, panggilan fungsi, soal jawab dokumen, awalan respons, penghantaran kelompok dan perbualan ejen. Dokumentasi output berstruktur Mistral membezakan mod JSON daripada skema tersuai. Nyatakan format JSON yang diperlukan dalam prom; gunakan skema yang ditentukan apabila antara muka yang disambungkan memerlukan struktur medan tertentu. Rekod boleh memisahkan fakta sumber, tafsiran dan soalan terbuka dan bukannya menggabungkannya dalam satu perenggan.
Soal jawab dokumen ialah aliran kerja yang menggabungkan pemprosesan dokumen dengan pemahaman model bahasa. OCR menyediakan teks, struktur dan pemformatan, selepas itu model menjawab soalan tentang bahan tersebut. Permintaan boleh mencari keperluan, membandingkan pernyataan merentas dokumen atau meringkaskan bukti yang relevan untuk keputusan. Pemahaman imej langsung dan aliran kerja dokumen berbantukan OCR ialah cara berkaitan untuk menyediakan bukti; langkah pemprosesan dokumen kekal berbeza daripada input imej.
Contohnya, berikan spesifikasi teknikal dan lukisan, kenal pasti semakan yang sedang dipertimbangkan dan minta matriks keperluan. Setiap baris boleh mengandungi keperluan, dokumen atau lukisan sokongan, perbezaan yang diperhatikan dan penjelasan yang masih diperlukan. Kekalkan label, unit dan kawasan imej yang menentukan perbandingan supaya hasil kekal berhubung dengan bahan sumber.
Pengekodan, ejen dan penaakulan visual
Keluaran ini menerangkan analisis keselamatan siber, kejuruteraan perisian, pemahaman repositori dan aliran kerja berorientasikan terminal. Untuk semakan kod pertahanan, berikan laluan kod berkaitan, tingkah laku yang dijangka dan bukti kegagalan. Minta punca, pembetulan yang dicadangkan dan contoh yang membezakan tingkah laku lama daripada yang dimaksudkan. Untuk soalan repositori, sertakan modul dan hubungan panggilan yang diperlukan untuk menerangkan tingkah laku yang dipilih.
Panggilan fungsi menghubungkan penaakulan kepada alat yang dibekalkan aplikasi. Jujukan pembuat mentakrifkan fungsi, memberikan soalan pengguna, membiarkan model menyediakan argumen, melaksanakan fungsi yang dipilih dalam aplikasi dan mengembalikan hasilnya untuk jawapan seterusnya. Panggilan yang dicadangkan berbeza daripada pelaksanaan. Kad model turut menyenaraikan alat terbina dalam dalam antara muka ejen/perbualan pembuat; ia milik aliran kerja yang disambungkan itu dan bukannya menambah modaliti input atau output baharu pada model.
Pemahaman visual merangkumi dokumen, carta, pemandangan semula jadi dan lukisan kejuruteraan. Tugas lukisan boleh bertanya komponen berlabel yang memenuhi keperluan yang diberikan, dimensi atau anotasi yang menyokong dapatan dan kawasan yang perlu diperiksa dengan lebih dekat. Contoh ejen visual dalam keluaran menggabungkan tafsiran dengan langkah pemeriksaan; zum, perolehan maklumat dan tindakan lain memerlukan persekitaran alat sekeliling.
Sains, matematik dan hasil serahan profesional
Pembuat menerangkan pengekodan saintifik, analisis data, pemodelan dan penaakulan matematik antara aplikasi yang dimaksudkan. Berikan persamaan, andaian, unit dan bentuk hasil yang diperlukan. Permintaan pengekodan saintifik boleh meminta pelaksanaan, makna setiap pemboleh ubah dan rancangan untuk membandingkan outputnya dengan keadaan rujukan. Menghasilkan pelaksanaan itu ialah hasil teks; menjalankan simulasi atau mencipta fail memerlukan persekitaran aplikasi.
Untuk kerja dokumen profesional, berikan laporan sumber dan takrifkan artifak: jadual perbandingan, penjelasan, petikan yang disemak atau kandungan hamparan. Nyatakan asas pengiraan dan kekalkan lokasi dokumen sokongan. Keluaran ini turut menerangkan latihan berbilang bahasa merangkumi lebih 160 bahasa, termasuk semua bahasa rasmi Kesatuan Eropah; kenal pasti bahasa output dan istilah yang diperlukan semasa menyediakan tugas berbilang bahasa.
Batas yang berguna
Modaliti yang didokumentasikan ialah input teks dan imej dengan output teks. Konteks sejuta token pembuat bukan spesifikasi panjang jawapan maksimum berasingan, dan sumber yang dibaca tidak menetapkan had keras output yang bebas untuk entri ini. Pastikan edisi Large 4 yang tepat, bukti yang disediakan dan alat yang disambungkan jelas. Rekod berstruktur, penjelasan atau tindakan yang dicadangkan paling berguna apabila medannya, sumber sokongan dan langkah aplikasi seterusnya ditentukan sebelum permintaan.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-large-4-0 | 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 $0.00272 / 1K token Output · Token output $0.00836 / 1K token Input · Bacaan cache $0.00028 / 1K token Input · Penulisan cache — / 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 $0.00272 / 1K token Output · Token output $0.00836 / 1K token Input · Bacaan cache $0.00028 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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-4-0", "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-4-0',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-4-0',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-4-0
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/mistral-large-4-0Mistral Large 4 ialah model teks dan imej untuk penaakulan, pengekodan, analisis dokumen dan ejen berasaskan alat. Konteks sejuta token yang dinyatakan oleh pembuat menyokong koleksi sumber yang banyak, dengan jawapan berstruktur, panggilan fungsi dan seni bina campuran pakar berbutir halus.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Large 4 ialah model multimodal serba guna Mistral AI yang menggabungkan kepatuhan arahan, penaakulan, pengekodan dan kerja berasaskan ejen. Ia menerima teks dan imej serta menghasilkan teks, termasuk penjelasan, kod dan medan berstruktur. Seni bina campuran pakar berbutir halusnya menggunakan komponen terpilih bagi setiap token dan bukannya mengaktifkan seluruh set parameter serentak.
Seni bina dan konteks
Halaman model semasa menyenaraikan jumlah 1.05 trilion parameter, 52 bilion parameter aktif dan pengekod penglihatan dengan 1.6 bilion parameter. Halaman keluaran pembuat menjelaskan konvensyen pengiraan: 49 bilion parameter aktif bagi setiap token, atau 52 bilion termasuk lapisan pembenaman dan output. Angka ini menerangkan struktur model dan bukannya panjang jawapan.
Pembuat mendokumentasikan tetingkap konteks sejuta token. Gunakannya untuk menggabungkan bahan sumber yang banyak, perbualan dan arahan, sambil mentakrifkan tujuan artifak akhir. Untuk soalan berbilang dokumen, kenal pasti setiap dokumen dan peranannya serta minta lokasi sumber di sisi setiap dapatan. Konteks besar berguna apabila keperluan, rajah dan penjelasan berkaitan perlu dipertimbangkan bersama.
Jawapan berstruktur dan soalan dokumen
Kad model menyenaraikan output berstruktur, panggilan fungsi, soal jawab dokumen, awalan respons, penghantaran kelompok dan perbualan ejen. Dokumentasi output berstruktur Mistral membezakan mod JSON daripada skema tersuai. Nyatakan format JSON yang diperlukan dalam prom; gunakan skema yang ditentukan apabila antara muka yang disambungkan memerlukan struktur medan tertentu. Rekod boleh memisahkan fakta sumber, tafsiran dan soalan terbuka dan bukannya menggabungkannya dalam satu perenggan.
Soal jawab dokumen ialah aliran kerja yang menggabungkan pemprosesan dokumen dengan pemahaman model bahasa. OCR menyediakan teks, struktur dan pemformatan, selepas itu model menjawab soalan tentang bahan tersebut. Permintaan boleh mencari keperluan, membandingkan pernyataan merentas dokumen atau meringkaskan bukti yang relevan untuk keputusan. Pemahaman imej langsung dan aliran kerja dokumen berbantukan OCR ialah cara berkaitan untuk menyediakan bukti; langkah pemprosesan dokumen kekal berbeza daripada input imej.
Contohnya, berikan spesifikasi teknikal dan lukisan, kenal pasti semakan yang sedang dipertimbangkan dan minta matriks keperluan. Setiap baris boleh mengandungi keperluan, dokumen atau lukisan sokongan, perbezaan yang diperhatikan dan penjelasan yang masih diperlukan. Kekalkan label, unit dan kawasan imej yang menentukan perbandingan supaya hasil kekal berhubung dengan bahan sumber.
Pengekodan, ejen dan penaakulan visual
Keluaran ini menerangkan analisis keselamatan siber, kejuruteraan perisian, pemahaman repositori dan aliran kerja berorientasikan terminal. Untuk semakan kod pertahanan, berikan laluan kod berkaitan, tingkah laku yang dijangka dan bukti kegagalan. Minta punca, pembetulan yang dicadangkan dan contoh yang membezakan tingkah laku lama daripada yang dimaksudkan. Untuk soalan repositori, sertakan modul dan hubungan panggilan yang diperlukan untuk menerangkan tingkah laku yang dipilih.
Panggilan fungsi menghubungkan penaakulan kepada alat yang dibekalkan aplikasi. Jujukan pembuat mentakrifkan fungsi, memberikan soalan pengguna, membiarkan model menyediakan argumen, melaksanakan fungsi yang dipilih dalam aplikasi dan mengembalikan hasilnya untuk jawapan seterusnya. Panggilan yang dicadangkan berbeza daripada pelaksanaan. Kad model turut menyenaraikan alat terbina dalam dalam antara muka ejen/perbualan pembuat; ia milik aliran kerja yang disambungkan itu dan bukannya menambah modaliti input atau output baharu pada model.
Pemahaman visual merangkumi dokumen, carta, pemandangan semula jadi dan lukisan kejuruteraan. Tugas lukisan boleh bertanya komponen berlabel yang memenuhi keperluan yang diberikan, dimensi atau anotasi yang menyokong dapatan dan kawasan yang perlu diperiksa dengan lebih dekat. Contoh ejen visual dalam keluaran menggabungkan tafsiran dengan langkah pemeriksaan; zum, perolehan maklumat dan tindakan lain memerlukan persekitaran alat sekeliling.
Sains, matematik dan hasil serahan profesional
Pembuat menerangkan pengekodan saintifik, analisis data, pemodelan dan penaakulan matematik antara aplikasi yang dimaksudkan. Berikan persamaan, andaian, unit dan bentuk hasil yang diperlukan. Permintaan pengekodan saintifik boleh meminta pelaksanaan, makna setiap pemboleh ubah dan rancangan untuk membandingkan outputnya dengan keadaan rujukan. Menghasilkan pelaksanaan itu ialah hasil teks; menjalankan simulasi atau mencipta fail memerlukan persekitaran aplikasi.
Untuk kerja dokumen profesional, berikan laporan sumber dan takrifkan artifak: jadual perbandingan, penjelasan, petikan yang disemak atau kandungan hamparan. Nyatakan asas pengiraan dan kekalkan lokasi dokumen sokongan. Keluaran ini turut menerangkan latihan berbilang bahasa merangkumi lebih 160 bahasa, termasuk semua bahasa rasmi Kesatuan Eropah; kenal pasti bahasa output dan istilah yang diperlukan semasa menyediakan tugas berbilang bahasa.
Batas yang berguna
Modaliti yang didokumentasikan ialah input teks dan imej dengan output teks. Konteks sejuta token pembuat bukan spesifikasi panjang jawapan maksimum berasingan, dan sumber yang dibaca tidak menetapkan had keras output yang bebas untuk entri ini. Pastikan edisi Large 4 yang tepat, bukti yang disediakan dan alat yang disambungkan jelas. Rekod berstruktur, penjelasan atau tindakan yang dicadangkan paling berguna apabila medannya, sumber sokongan dan langkah aplikasi seterusnya ditentukan sebelum permintaan.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-large-4-0 | 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 $0.00272 / 1K token Output · Token output $0.00836 / 1K token Input · Bacaan cache $0.00028 / 1K token Input · Penulisan cache — / 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 $0.00272 / 1K token Output · Token output $0.00836 / 1K token Input · Bacaan cache $0.00028 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-0', '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-4-0', '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-4-0
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.