Mistral Large ialah keluarga multimodal serba guna Mistral AI untuk kerja dokumen kompleks, kejuruteraan perisian dan tugas berasaskan ejen. Large 4 menggabungkan kepatuhan arahan, penaakulan dan penggunaan alat dengan pemahaman visual asli. Seni bina campuran pakar berbutir halusnya mempunyai jumlah 1.05 trilion parameter dan 52 bilion parameter aktif, bersama pengekod penglihatan dengan 1.6 bilion parameter. Tetingkap konteks Large 4 ialah 1M token. Large 3 ialah edisi berasingan dengan jumlah 675 bilion parameter, 41 bilion parameter aktif dan tetingkap konteks 256K.
Model bekerja dengan tugas bertulis dan bahan visual untuk menghasilkan teks, kod atau hasil berstruktur. Dalam aliran kerja penaakulan Large 4, tetapan usaha minimum mengembalikan jawapan secara langsung, manakala usaha tinggi menyertakan segmen penaakulan sebelum jawapan akhir. Mesej pembantu yang lengkap mengekalkan kesinambungan sepanjang giliran susulan. Output berstruktur boleh menggunakan JSON atau skema tersuai, dan aplikasi boleh menyediakan awalan untuk pembukaan respons yang terkawal.
Panggilan fungsi menghubungkan tugas analisis dengan maklumat dan tindakan luaran. Berikan perihalan fungsi, medan input dan objektif pengguna. Model memilih fungsi dan menyediakan argumen; aplikasi melaksanakannya, mengembalikan hasil dan meneruskan perbualan. Aliran kerja boleh melibatkan panggilan berturut-turut atau beberapa panggilan secara selari. Soal jawab dokumen menggabungkan pengekstrakan dokumen dengan pemahaman bahasa, manakala pemprosesan kelompok mengendalikan koleksi permintaan secara tak segerak. Ketersediaan dan pelaksanaan alat dibekalkan oleh aplikasi di sekeliling model.
Bidang keupayaan Large 4 bermula dengan analisis keselamatan: pengeluar menerangkan triage perisian hasad, penetapan keutamaan kerentanan dan penyediaan peraturan pengesanan untuk kerja pertahanan. Dalam pengekodan berasaskan ejen, tumpuannya ialah pemahaman repositori, perubahan perisian dan aliran kerja terminal yang kompleks. Tugasan pengekodan yang berguna mengenal pasti tingkah laku yang terjejas, fail dan kebergantungan yang terlibat serta pemeriksaan yang akan memastikan hasil yang betul.
Untuk aliran kerja ejen umum, model boleh mengumpulkan bahan, menggunakan alat yang disambungkan dan menghimpunkan hasil serahan seperti dokumen, hamparan dan kandungan slaid. Kerja multimodalnya merangkumi carta, halaman kompleks, pemandangan semula jadi dan lukisan teknikal. Penambatan visual menghubungkan soalan kepada objek atau kawasan; tugas kejuruteraan boleh memeriksa lukisan yang diberikan, membandingkan bahagian yang kelihatan dan mengembalikan penjelasan berdasarkan bukti. Dalam analisis dokumen, minta halaman, jadual atau petikan khusus yang menyokong setiap kesimpulan.
Aplikasi saintifik dan matematik merangkumi analisis data, pemodelan, kod simulasi dan tugas matematik gunaan yang panjang. Kerja pengetahuan merangkumi penyuntingan dokumen dan hamparan serta perbandingan maklumat daripada pelbagai sumber. Tugas Ailoot API boleh menentukan rangka laporan yang boleh disunting, set dapatan berstruktur atau kod untuk dilaksanakan dan disahkan oleh aplikasi. Ini ialah output yang berbeza: penjelasan menjawab soalan, hasil berstruktur menghantar data ke langkah seterusnya, dan aliran kerja berbantukan alat menggunakan aplikasi untuk mencipta atau mengemas kini artifak akhir.
Latihan Large 4 merangkumi bahan berbilang bahasa meliputi lebih 160 bahasa, termasuk semua bahasa rasmi Kesatuan Eropah. Pascalatihannya menggabungkan penalaan halus terselia dengan pembelajaran pengukuhan merentas penaakulan, kerja saintifik, penggunaan alat, ketepatan fakta dan penjajaran keselamatan. Kerja keselamatan menangani suntikan prom tidak langsung dan permintaan keselamatan siber berniat jahat. Pilihan keluarga kekal sebagai barisan model yang dikemas kini: seni bina berangka, tetingkap konteks dan tingkah laku penaakulan di atas milik edisi yang dinamakan secara jelas, yang kekal berbeza apabila memilih versi tetap.
", "aboutText": "Mistral Large ialah keluarga multimodal serba guna Mistral AI untuk kerja dokumen kompleks, kejuruteraan perisian dan tugas berasaskan ejen. Large 4 menggabungkan kepatuhan arahan, penaakulan dan penggunaan alat dengan pemahaman visual asli. Seni bina campuran pakar berbutir halusnya mempunyai jumlah 1.05 trilion parameter dan 52 bilion parameter aktif, bersama pengekod penglihatan dengan 1.6 bilion parameter. Tetingkap konteks Large 4 ialah 1M token. Large 3 ialah edisi berasingan dengan jumlah 675 bilion parameter, 41 bilion parameter aktif dan tetingkap konteks 256K.\n\nModel bekerja dengan tugas bertulis dan bahan visual untuk menghasilkan teks, kod atau hasil berstruktur. Dalam aliran kerja penaakulan Large 4, tetapan usaha minimum mengembalikan jawapan secara langsung, manakala usaha tinggi menyertakan segmen penaakulan sebelum jawapan akhir. Mesej pembantu yang lengkap mengekalkan kesinambungan sepanjang giliran susulan. Output berstruktur boleh menggunakan JSON atau skema tersuai, dan aplikasi boleh menyediakan awalan untuk pembukaan respons yang terkawal.\n\nPanggilan fungsi menghubungkan tugas analisis dengan maklumat dan tindakan luaran. Berikan perihalan fungsi, medan input dan objektif pengguna. Model memilih fungsi dan menyediakan argumen; aplikasi melaksanakannya, mengembalikan hasil dan meneruskan perbualan. Aliran kerja boleh melibatkan panggilan berturut-turut atau beberapa panggilan secara selari. Soal jawab dokumen menggabungkan pengekstrakan dokumen dengan pemahaman bahasa, manakala pemprosesan kelompok mengendalikan koleksi permintaan secara tak segerak. Ketersediaan dan pelaksanaan alat dibekalkan oleh aplikasi di sekeliling model.\n\nBidang keupayaan Large 4 bermula dengan analisis keselamatan: pengeluar menerangkan triage perisian hasad, penetapan keutamaan kerentanan dan penyediaan peraturan pengesanan untuk kerja pertahanan. Dalam pengekodan berasaskan ejen, tumpuannya ialah pemahaman repositori, perubahan perisian dan aliran kerja terminal yang kompleks. Tugasan pengekodan yang berguna mengenal pasti tingkah laku yang terjejas, fail dan kebergantungan yang terlibat serta pemeriksaan yang akan memastikan hasil yang betul.\n\nUntuk aliran kerja ejen umum, model boleh mengumpulkan bahan, menggunakan alat yang disambungkan dan menghimpunkan hasil serahan seperti dokumen, hamparan dan kandungan slaid. Kerja multimodalnya merangkumi carta, halaman kompleks, pemandangan semula jadi dan lukisan teknikal. Penambatan visual menghubungkan soalan kepada objek atau kawasan; tugas kejuruteraan boleh memeriksa lukisan yang diberikan, membandingkan bahagian yang kelihatan dan mengembalikan penjelasan berdasarkan bukti. Dalam analisis dokumen, minta halaman, jadual atau petikan khusus yang menyokong setiap kesimpulan.\n\nAplikasi saintifik dan matematik merangkumi analisis data, pemodelan, kod simulasi dan tugas matematik gunaan yang panjang. Kerja pengetahuan merangkumi penyuntingan dokumen dan hamparan serta perbandingan maklumat daripada pelbagai sumber. Tugas Ailoot API boleh menentukan rangka laporan yang boleh disunting, set dapatan berstruktur atau kod untuk dilaksanakan dan disahkan oleh aplikasi. Ini ialah output yang berbeza: penjelasan menjawab soalan, hasil berstruktur menghantar data ke langkah seterusnya, dan aliran kerja berbantukan alat menggunakan aplikasi untuk mencipta atau mengemas kini artifak akhir.\n\nLatihan Large 4 merangkumi bahan berbilang bahasa meliputi lebih 160 bahasa, termasuk semua bahasa rasmi Kesatuan Eropah. Pascalatihannya menggabungkan penalaan halus terselia dengan pembelajaran pengukuhan merentas penaakulan, kerja saintifik, penggunaan alat, ketepatan fakta dan penjajaran keselamatan. Kerja keselamatan menangani suntikan prom tidak langsung dan permintaan keselamatan siber berniat jahat. Pilihan keluarga kekal sebagai barisan model yang dikemas kini: seni bina berangka, tetingkap konteks dan tingkah laku penaakulan di atas milik edisi yang dinamakan secara jelas, yang kekal berbeza apabila memilih versi tetap.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Design a capacity calculation\n\nWrite a small Python function for this capacity model: each machine makes 18 parts per hour, but only 80 percent of its scheduled hours are productive. Given machine count and scheduled hours, return estimated parts as a numeric value. State assumptions and supply checks for one machine over five hours and zero machines.A Python function, explicit units and assumptions, and two calculation checks.Check the utilization factor is applied once and zero machines gives zero output.mistralai/mistral-largeKeluarga Large Mistral AI menggabungkan pemahaman dokumen dan imej dengan penaakulan, pengekodan dan aliran kerja berasaskan alat. Edisi Large yang diterbitkan menyokong respons berstruktur dan kerja konteks panjang, dengan seni bina dan saiz konteks terikat pada setiap versi bernama.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Large ialah keluarga multimodal serba guna Mistral AI untuk kerja dokumen kompleks, kejuruteraan perisian dan tugas berasaskan ejen. Large 4 menggabungkan kepatuhan arahan, penaakulan dan penggunaan alat dengan pemahaman visual asli. Seni bina campuran pakar berbutir halusnya mempunyai jumlah 1.05 trilion parameter dan 52 bilion parameter aktif, bersama pengekod penglihatan dengan 1.6 bilion parameter. Tetingkap konteks Large 4 ialah 1M token. Large 3 ialah edisi berasingan dengan jumlah 675 bilion parameter, 41 bilion parameter aktif dan tetingkap konteks 256K.
Model bekerja dengan tugas bertulis dan bahan visual untuk menghasilkan teks, kod atau hasil berstruktur. Dalam aliran kerja penaakulan Large 4, tetapan usaha minimum mengembalikan jawapan secara langsung, manakala usaha tinggi menyertakan segmen penaakulan sebelum jawapan akhir. Mesej pembantu yang lengkap mengekalkan kesinambungan sepanjang giliran susulan. Output berstruktur boleh menggunakan JSON atau skema tersuai, dan aplikasi boleh menyediakan awalan untuk pembukaan respons yang terkawal.
Panggilan fungsi menghubungkan tugas analisis dengan maklumat dan tindakan luaran. Berikan perihalan fungsi, medan input dan objektif pengguna. Model memilih fungsi dan menyediakan argumen; aplikasi melaksanakannya, mengembalikan hasil dan meneruskan perbualan. Aliran kerja boleh melibatkan panggilan berturut-turut atau beberapa panggilan secara selari. Soal jawab dokumen menggabungkan pengekstrakan dokumen dengan pemahaman bahasa, manakala pemprosesan kelompok mengendalikan koleksi permintaan secara tak segerak. Ketersediaan dan pelaksanaan alat dibekalkan oleh aplikasi di sekeliling model.
Bidang keupayaan Large 4 bermula dengan analisis keselamatan: pengeluar menerangkan triage perisian hasad, penetapan keutamaan kerentanan dan penyediaan peraturan pengesanan untuk kerja pertahanan. Dalam pengekodan berasaskan ejen, tumpuannya ialah pemahaman repositori, perubahan perisian dan aliran kerja terminal yang kompleks. Tugasan pengekodan yang berguna mengenal pasti tingkah laku yang terjejas, fail dan kebergantungan yang terlibat serta pemeriksaan yang akan memastikan hasil yang betul.
Untuk aliran kerja ejen umum, model boleh mengumpulkan bahan, menggunakan alat yang disambungkan dan menghimpunkan hasil serahan seperti dokumen, hamparan dan kandungan slaid. Kerja multimodalnya merangkumi carta, halaman kompleks, pemandangan semula jadi dan lukisan teknikal. Penambatan visual menghubungkan soalan kepada objek atau kawasan; tugas kejuruteraan boleh memeriksa lukisan yang diberikan, membandingkan bahagian yang kelihatan dan mengembalikan penjelasan berdasarkan bukti. Dalam analisis dokumen, minta halaman, jadual atau petikan khusus yang menyokong setiap kesimpulan.
Aplikasi saintifik dan matematik merangkumi analisis data, pemodelan, kod simulasi dan tugas matematik gunaan yang panjang. Kerja pengetahuan merangkumi penyuntingan dokumen dan hamparan serta perbandingan maklumat daripada pelbagai sumber. Tugas Ailoot API boleh menentukan rangka laporan yang boleh disunting, set dapatan berstruktur atau kod untuk dilaksanakan dan disahkan oleh aplikasi. Ini ialah output yang berbeza: penjelasan menjawab soalan, hasil berstruktur menghantar data ke langkah seterusnya, dan aliran kerja berbantukan alat menggunakan aplikasi untuk mencipta atau mengemas kini artifak akhir.
Latihan Large 4 merangkumi bahan berbilang bahasa meliputi lebih 160 bahasa, termasuk semua bahasa rasmi Kesatuan Eropah. Pascalatihannya menggabungkan penalaan halus terselia dengan pembelajaran pengukuhan merentas penaakulan, kerja saintifik, penggunaan alat, ketepatan fakta dan penjajaran keselamatan. Kerja keselamatan menangani suntikan prom tidak langsung dan permintaan keselamatan siber berniat jahat. Pilihan keluarga kekal sebagai barisan model yang dikemas kini: seni bina berangka, tetingkap konteks dan tingkah laku penaakulan di atas milik edisi yang dinamakan secara jelas, yang kekal berbeza apabila memilih versi tetap.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-large | 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 $0.004 / 1K token Output · Token output $0.012 / 1K token Input · Bacaan cache $0.0004 / 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 $0.004 / 1K token Output · Token output $0.012 / 1K token Input · Bacaan cache $0.0004 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${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", "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',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',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
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/mistral-largeKeluarga Large Mistral AI menggabungkan pemahaman dokumen dan imej dengan penaakulan, pengekodan dan aliran kerja berasaskan alat. Edisi Large yang diterbitkan menyokong respons berstruktur dan kerja konteks panjang, dengan seni bina dan saiz konteks terikat pada setiap versi bernama.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Large ialah keluarga multimodal serba guna Mistral AI untuk kerja dokumen kompleks, kejuruteraan perisian dan tugas berasaskan ejen. Large 4 menggabungkan kepatuhan arahan, penaakulan dan penggunaan alat dengan pemahaman visual asli. Seni bina campuran pakar berbutir halusnya mempunyai jumlah 1.05 trilion parameter dan 52 bilion parameter aktif, bersama pengekod penglihatan dengan 1.6 bilion parameter. Tetingkap konteks Large 4 ialah 1M token. Large 3 ialah edisi berasingan dengan jumlah 675 bilion parameter, 41 bilion parameter aktif dan tetingkap konteks 256K.
Model bekerja dengan tugas bertulis dan bahan visual untuk menghasilkan teks, kod atau hasil berstruktur. Dalam aliran kerja penaakulan Large 4, tetapan usaha minimum mengembalikan jawapan secara langsung, manakala usaha tinggi menyertakan segmen penaakulan sebelum jawapan akhir. Mesej pembantu yang lengkap mengekalkan kesinambungan sepanjang giliran susulan. Output berstruktur boleh menggunakan JSON atau skema tersuai, dan aplikasi boleh menyediakan awalan untuk pembukaan respons yang terkawal.
Panggilan fungsi menghubungkan tugas analisis dengan maklumat dan tindakan luaran. Berikan perihalan fungsi, medan input dan objektif pengguna. Model memilih fungsi dan menyediakan argumen; aplikasi melaksanakannya, mengembalikan hasil dan meneruskan perbualan. Aliran kerja boleh melibatkan panggilan berturut-turut atau beberapa panggilan secara selari. Soal jawab dokumen menggabungkan pengekstrakan dokumen dengan pemahaman bahasa, manakala pemprosesan kelompok mengendalikan koleksi permintaan secara tak segerak. Ketersediaan dan pelaksanaan alat dibekalkan oleh aplikasi di sekeliling model.
Bidang keupayaan Large 4 bermula dengan analisis keselamatan: pengeluar menerangkan triage perisian hasad, penetapan keutamaan kerentanan dan penyediaan peraturan pengesanan untuk kerja pertahanan. Dalam pengekodan berasaskan ejen, tumpuannya ialah pemahaman repositori, perubahan perisian dan aliran kerja terminal yang kompleks. Tugasan pengekodan yang berguna mengenal pasti tingkah laku yang terjejas, fail dan kebergantungan yang terlibat serta pemeriksaan yang akan memastikan hasil yang betul.
Untuk aliran kerja ejen umum, model boleh mengumpulkan bahan, menggunakan alat yang disambungkan dan menghimpunkan hasil serahan seperti dokumen, hamparan dan kandungan slaid. Kerja multimodalnya merangkumi carta, halaman kompleks, pemandangan semula jadi dan lukisan teknikal. Penambatan visual menghubungkan soalan kepada objek atau kawasan; tugas kejuruteraan boleh memeriksa lukisan yang diberikan, membandingkan bahagian yang kelihatan dan mengembalikan penjelasan berdasarkan bukti. Dalam analisis dokumen, minta halaman, jadual atau petikan khusus yang menyokong setiap kesimpulan.
Aplikasi saintifik dan matematik merangkumi analisis data, pemodelan, kod simulasi dan tugas matematik gunaan yang panjang. Kerja pengetahuan merangkumi penyuntingan dokumen dan hamparan serta perbandingan maklumat daripada pelbagai sumber. Tugas Ailoot API boleh menentukan rangka laporan yang boleh disunting, set dapatan berstruktur atau kod untuk dilaksanakan dan disahkan oleh aplikasi. Ini ialah output yang berbeza: penjelasan menjawab soalan, hasil berstruktur menghantar data ke langkah seterusnya, dan aliran kerja berbantukan alat menggunakan aplikasi untuk mencipta atau mengemas kini artifak akhir.
Latihan Large 4 merangkumi bahan berbilang bahasa meliputi lebih 160 bahasa, termasuk semua bahasa rasmi Kesatuan Eropah. Pascalatihannya menggabungkan penalaan halus terselia dengan pembelajaran pengukuhan merentas penaakulan, kerja saintifik, penggunaan alat, ketepatan fakta dan penjajaran keselamatan. Kerja keselamatan menangani suntikan prom tidak langsung dan permintaan keselamatan siber berniat jahat. Pilihan keluarga kekal sebagai barisan model yang dikemas kini: seni bina berangka, tetingkap konteks dan tingkah laku penaakulan di atas milik edisi yang dinamakan secara jelas, yang kekal berbeza apabila memilih versi tetap.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-large | 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 $0.004 / 1K token Output · Token output $0.012 / 1K token Input · Bacaan cache $0.0004 / 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 $0.004 / 1K token Output · Token output $0.012 / 1K token Input · Bacaan cache $0.0004 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/mistral-large",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Design a capacity calculation\n\nWrite a small Python function for this capacity model: each machine makes 18 parts per hour, but only 80 percent of its scheduled hours are productive. Given machine count and scheduled hours, return estimated parts as a numeric value. State assumptions and supply checks for one machine over five hours and zero machines.A Python function, explicit units and assumptions, and two calculation checks.Check the utilization factor is applied once and zero machines gives zero output.