Mistral Medium 3.5 ialah model padat 128B Mistral AI yang menggabungkan kepatuhan arahan, penaakulan dan pengekodan dalam satu set pemberat. Ia menerima teks dan imej serta mengembalikan teks. Pembuat menyasarkannya untuk tugas berasaskan ejen dan pengekodan, manakala titik semak yang sama boleh menghasilkan jawapan perbualan langsung atau menggunakan mod penaakulan yang didokumentasikan untuk tugas yang lebih rumit.
Model bersepadu dan keupayaan visual
Kad yang dikeluarkan menetapkan 128 bilion parameter padat dan tetingkap konteks 256k. Pengekod penglihatannya dilatih untuk mengendalikan saiz imej dan nisbah bidang yang berbeza. Imej boleh menyumbangkan bukti kepada tugas pengekodan atau dokumen: tangkapan skrin antara muka, rajah yang mengiringi keperluan atau halaman yang mengandungi maklumat yang mesti ditafsirkan oleh model. Hasilnya boleh berupa penjelasan bertulis, kod atau medan berstruktur dan bukannya imej yang dijana.
Pembuat menerangkan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut menekankan kepatuhan kepada prom sistem dan panggilan fungsi asli dengan output JSON. Tetapkan khalayak, bahasa dan peraturan respons secara berasingan daripada bahan yang diperiksa supaya kata-kata dalam dokumen sumber kekal sebagai bukti untuk tugas tersebut.
Tetapan penaakulan
Kad model mendokumentasikan dua nilai usaha penaakulan bagi setiap permintaan. Nilai none memberikan jawapan gaya arahan tanpa mod penaakulan; high mengaktifkan penaakulan dan disyorkan untuk prom kompleks serta pengekodan berasaskan ejen. Ini ialah pilihan mod dalam titik semak Medium 3.5 yang sama, bukannya identiti model yang berbeza.
Untuk usaha penaakulan high, pembuat mengesyorkan suhu 0.7 dan top-p 0.95. Untuk none, ia mendokumentasikan suhu antara 0.0 dengan 0.7 bergantung pada tugas dan membiarkan top-p tidak ditetapkan atau pada 1.0. Ini ialah syor keluaran. Pilih tujuan output dahulu: pengekstrakan medan ringkas, perubahan kod dengan penjelasan atau perbandingan yang memerlukan beberapa keputusan berasas.
Tugas penaakulan praktikal boleh membekalkan keperluan, pelaksanaan dan input yang mendedahkan ketidakpadanan. Minta model mengenal pasti laluan berkaitan, menerangkan percanggahan dan mencadangkan perubahan terkecil yang mengekalkan antara muka awam. Minta kod yang disemak secara berasingan daripada andaian dan contoh. Model menjana cadangan; penyusunan, pelaksanaan dan penerapannya memerlukan persekitaran pembangunan yang disambungkan kepada ejen.
Alat, dokumen dan suntingan yang boleh dijangka
Kad perkhidmatan pembuat turut menyenaraikan output berstruktur, output ramalan, soalan dokumen, awalan respons, pemprosesan kelompok dan perbualan ejen. Untuk pengekstrakan, takrifkan nama medan, jenis dan cara menangani nilai yang tiada. Mod JSON membekalkan perwakilan berstruktur, manakala skema tersuai mentakrifkan bentuk yang lebih khusus dalam antara muka yang disambungkan. Minta rekod sahaja apabila program akan menghuraikannya dan penjelasan berasingan apabila seseorang perlu memeriksa tafsirannya.
Soal jawab dokumen menggabungkan teks dan struktur yang disediakan melalui OCR dengan pemahaman model bahasa. Untuk perbandingan, kenal pasti dokumen dan syarat yang hendak dinilai, kemudian minta setiap dapatan bersama lokasi sumbernya. Output yang berguna boleh memisahkan keperluan bersama, percanggahan dan soalan terbuka. Soalan imej langsung boleh menumpukan label carta atau elemen antara muka; mengekalkan tajuk, unit dan peranan imej membantu memastikan jawapan terikat pada bahan yang diberikan.
Output ramalan didokumentasikan untuk tugas yang sebahagian besar jawapan yang diingini sudah diketahui, seperti menjana semula fail kod atau dokumen dengan suntingan terhad. Berikan kandungan sedia ada dan kenal pasti perubahan khusus, sambil mengekalkan bahagian yang perlu kekal. Ini berbeza daripada meminta artifak yang serba baharu atau menyambung daripada awalan respons yang diketahui. Ciri perkhidmatan menerangkan pilihan penghantaran dan pemformatan; ia tidak mengubah input teks dan imej atau output teks model.
Dalam aliran kerja berbantukan alat, aplikasi membekalkan perihalan fungsi dan parameter, model memilih fungsi dan menyediakan argumen, kemudian aplikasi melaksanakannya dan mengembalikan hasil. Alat pengiraan boleh menerima nilai yang dibaca daripada imej yang diberikan, manakala alat carian boleh menyediakan maklumat yang tiada untuk jawapan seterusnya. Kekalkan hasil alat bersama operasi yang menghasilkannya. Penaakulan berasaskan ejen bergantung pada persekitaran itu dan bukannya penjanaan teks sahaja yang melakukan tindakan luaran.
Penyediaan sesi panjang
Gunakan konteks 256k untuk kod sumber, dokumen dan sejarah perbualan yang berkaitan, dan pastikan matlamat sebenar jelas. Sesi pengekodan boleh mengekalkan modul, pemanggilnya dan keperluan sambil meminta satu perubahan yang ditentukan. Sesi dokumen boleh mengekalkan bahagian berkaitan bersama sambil mengembalikan jadual pendek atau petikan yang disemak. Kapasiti konteks tidak menetapkan panjang jawapan maksimum berasingan; contoh penjanaan 1,024 token dalam kad model ialah ilustrasi, bukannya had tersebut.
Pembuat menyatakan bahawa konfigurasi terdahulu yang dikeluarkan mengandungi ralat konteks panjang dan bahawa ia telah dibetulkan, termasuk kaitannya dengan titik semak terbitan. Kekalkan konfigurasi keluaran yang dibetulkan apabila menggunakan pemberat untuk sesi panjang. Mod hibrid dan seni bina 128B Medium 3.5 tidak patut dikaitkan dengan Medium 3.1 atau titik semak draft-head yang dinamakan secara berasingan hanya kerana namanya berkongsi keluarga.
", "aboutText": "Mistral Medium 3.5 ialah model padat 128B Mistral AI yang menggabungkan kepatuhan arahan, penaakulan dan pengekodan dalam satu set pemberat. Ia menerima teks dan imej serta mengembalikan teks. Pembuat menyasarkannya untuk tugas berasaskan ejen dan pengekodan, manakala titik semak yang sama boleh menghasilkan jawapan perbualan langsung atau menggunakan mod penaakulan yang didokumentasikan untuk tugas yang lebih rumit.\n\nModel bersepadu dan keupayaan visual\n\nKad yang dikeluarkan menetapkan 128 bilion parameter padat dan tetingkap konteks 256k. Pengekod penglihatannya dilatih untuk mengendalikan saiz imej dan nisbah bidang yang berbeza. Imej boleh menyumbangkan bukti kepada tugas pengekodan atau dokumen: tangkapan skrin antara muka, rajah yang mengiringi keperluan atau halaman yang mengandungi maklumat yang mesti ditafsirkan oleh model. Hasilnya boleh berupa penjelasan bertulis, kod atau medan berstruktur dan bukannya imej yang dijana.\n\nPembuat menerangkan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut menekankan kepatuhan kepada prom sistem dan panggilan fungsi asli dengan output JSON. Tetapkan khalayak, bahasa dan peraturan respons secara berasingan daripada bahan yang diperiksa supaya kata-kata dalam dokumen sumber kekal sebagai bukti untuk tugas tersebut.\n\nTetapan penaakulan\n\nKad model mendokumentasikan dua nilai usaha penaakulan bagi setiap permintaan. Nilai none memberikan jawapan gaya arahan tanpa mod penaakulan; high mengaktifkan penaakulan dan disyorkan untuk prom kompleks serta pengekodan berasaskan ejen. Ini ialah pilihan mod dalam titik semak Medium 3.5 yang sama, bukannya identiti model yang berbeza.\n\nUntuk usaha penaakulan high, pembuat mengesyorkan suhu 0.7 dan top-p 0.95. Untuk none, ia mendokumentasikan suhu antara 0.0 dengan 0.7 bergantung pada tugas dan membiarkan top-p tidak ditetapkan atau pada 1.0. Ini ialah syor keluaran. Pilih tujuan output dahulu: pengekstrakan medan ringkas, perubahan kod dengan penjelasan atau perbandingan yang memerlukan beberapa keputusan berasas.\n\nTugas penaakulan praktikal boleh membekalkan keperluan, pelaksanaan dan input yang mendedahkan ketidakpadanan. Minta model mengenal pasti laluan berkaitan, menerangkan percanggahan dan mencadangkan perubahan terkecil yang mengekalkan antara muka awam. Minta kod yang disemak secara berasingan daripada andaian dan contoh. Model menjana cadangan; penyusunan, pelaksanaan dan penerapannya memerlukan persekitaran pembangunan yang disambungkan kepada ejen.\n\nAlat, dokumen dan suntingan yang boleh dijangka\n\nKad perkhidmatan pembuat turut menyenaraikan output berstruktur, output ramalan, soalan dokumen, awalan respons, pemprosesan kelompok dan perbualan ejen. Untuk pengekstrakan, takrifkan nama medan, jenis dan cara menangani nilai yang tiada. Mod JSON membekalkan perwakilan berstruktur, manakala skema tersuai mentakrifkan bentuk yang lebih khusus dalam antara muka yang disambungkan. Minta rekod sahaja apabila program akan menghuraikannya dan penjelasan berasingan apabila seseorang perlu memeriksa tafsirannya.\n\nSoal jawab dokumen menggabungkan teks dan struktur yang disediakan melalui OCR dengan pemahaman model bahasa. Untuk perbandingan, kenal pasti dokumen dan syarat yang hendak dinilai, kemudian minta setiap dapatan bersama lokasi sumbernya. Output yang berguna boleh memisahkan keperluan bersama, percanggahan dan soalan terbuka. Soalan imej langsung boleh menumpukan label carta atau elemen antara muka; mengekalkan tajuk, unit dan peranan imej membantu memastikan jawapan terikat pada bahan yang diberikan.\n\nOutput ramalan didokumentasikan untuk tugas yang sebahagian besar jawapan yang diingini sudah diketahui, seperti menjana semula fail kod atau dokumen dengan suntingan terhad. Berikan kandungan sedia ada dan kenal pasti perubahan khusus, sambil mengekalkan bahagian yang perlu kekal. Ini berbeza daripada meminta artifak yang serba baharu atau menyambung daripada awalan respons yang diketahui. Ciri perkhidmatan menerangkan pilihan penghantaran dan pemformatan; ia tidak mengubah input teks dan imej atau output teks model.\n\nDalam aliran kerja berbantukan alat, aplikasi membekalkan perihalan fungsi dan parameter, model memilih fungsi dan menyediakan argumen, kemudian aplikasi melaksanakannya dan mengembalikan hasil. Alat pengiraan boleh menerima nilai yang dibaca daripada imej yang diberikan, manakala alat carian boleh menyediakan maklumat yang tiada untuk jawapan seterusnya. Kekalkan hasil alat bersama operasi yang menghasilkannya. Penaakulan berasaskan ejen bergantung pada persekitaran itu dan bukannya penjanaan teks sahaja yang melakukan tindakan luaran.\n\nPenyediaan sesi panjang\n\nGunakan konteks 256k untuk kod sumber, dokumen dan sejarah perbualan yang berkaitan, dan pastikan matlamat sebenar jelas. Sesi pengekodan boleh mengekalkan modul, pemanggilnya dan keperluan sambil meminta satu perubahan yang ditentukan. Sesi dokumen boleh mengekalkan bahagian berkaitan bersama sambil mengembalikan jadual pendek atau petikan yang disemak. Kapasiti konteks tidak menetapkan panjang jawapan maksimum berasingan; contoh penjanaan 1,024 token dalam kad model ialah ilustrasi, bukannya had tersebut.\n\nPembuat menyatakan bahawa konfigurasi terdahulu yang dikeluarkan mengandungi ralat konteks panjang dan bahawa ia telah dibetulkan, termasuk kaitannya dengan titik semak terbitan. Kekalkan konfigurasi keluaran yang dibetulkan apabila menggunakan pemberat untuk sesi panjang. Mod hibrid dan seni bina 128B Medium 3.5 tidak patut dikaitkan dengan Medium 3.1 atau titik semak draft-head yang dinamakan secara berasingan hanya kerana namanya berkongsi keluarga.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral Medium 3.5 menggabungkan kepatuhan arahan, penaakulan dan pengekodan dalam model teks dan imej padat 128B. Ia mempunyai konteks 256k yang dinyatakan oleh pembuat, tetapan penaakulan bagi setiap permintaan, panggilan fungsi asli dan output berstruktur untuk aliran kerja dokumen dan ejen.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Medium 3.5 ialah model padat 128B Mistral AI yang menggabungkan kepatuhan arahan, penaakulan dan pengekodan dalam satu set pemberat. Ia menerima teks dan imej serta mengembalikan teks. Pembuat menyasarkannya untuk tugas berasaskan ejen dan pengekodan, manakala titik semak yang sama boleh menghasilkan jawapan perbualan langsung atau menggunakan mod penaakulan yang didokumentasikan untuk tugas yang lebih rumit.
Model bersepadu dan keupayaan visual
Kad yang dikeluarkan menetapkan 128 bilion parameter padat dan tetingkap konteks 256k. Pengekod penglihatannya dilatih untuk mengendalikan saiz imej dan nisbah bidang yang berbeza. Imej boleh menyumbangkan bukti kepada tugas pengekodan atau dokumen: tangkapan skrin antara muka, rajah yang mengiringi keperluan atau halaman yang mengandungi maklumat yang mesti ditafsirkan oleh model. Hasilnya boleh berupa penjelasan bertulis, kod atau medan berstruktur dan bukannya imej yang dijana.
Pembuat menerangkan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut menekankan kepatuhan kepada prom sistem dan panggilan fungsi asli dengan output JSON. Tetapkan khalayak, bahasa dan peraturan respons secara berasingan daripada bahan yang diperiksa supaya kata-kata dalam dokumen sumber kekal sebagai bukti untuk tugas tersebut.
Tetapan penaakulan
Kad model mendokumentasikan dua nilai usaha penaakulan bagi setiap permintaan. Nilai none memberikan jawapan gaya arahan tanpa mod penaakulan; high mengaktifkan penaakulan dan disyorkan untuk prom kompleks serta pengekodan berasaskan ejen. Ini ialah pilihan mod dalam titik semak Medium 3.5 yang sama, bukannya identiti model yang berbeza.
Untuk usaha penaakulan high, pembuat mengesyorkan suhu 0.7 dan top-p 0.95. Untuk none, ia mendokumentasikan suhu antara 0.0 dengan 0.7 bergantung pada tugas dan membiarkan top-p tidak ditetapkan atau pada 1.0. Ini ialah syor keluaran. Pilih tujuan output dahulu: pengekstrakan medan ringkas, perubahan kod dengan penjelasan atau perbandingan yang memerlukan beberapa keputusan berasas.
Tugas penaakulan praktikal boleh membekalkan keperluan, pelaksanaan dan input yang mendedahkan ketidakpadanan. Minta model mengenal pasti laluan berkaitan, menerangkan percanggahan dan mencadangkan perubahan terkecil yang mengekalkan antara muka awam. Minta kod yang disemak secara berasingan daripada andaian dan contoh. Model menjana cadangan; penyusunan, pelaksanaan dan penerapannya memerlukan persekitaran pembangunan yang disambungkan kepada ejen.
Alat, dokumen dan suntingan yang boleh dijangka
Kad perkhidmatan pembuat turut menyenaraikan output berstruktur, output ramalan, soalan dokumen, awalan respons, pemprosesan kelompok dan perbualan ejen. Untuk pengekstrakan, takrifkan nama medan, jenis dan cara menangani nilai yang tiada. Mod JSON membekalkan perwakilan berstruktur, manakala skema tersuai mentakrifkan bentuk yang lebih khusus dalam antara muka yang disambungkan. Minta rekod sahaja apabila program akan menghuraikannya dan penjelasan berasingan apabila seseorang perlu memeriksa tafsirannya.
Soal jawab dokumen menggabungkan teks dan struktur yang disediakan melalui OCR dengan pemahaman model bahasa. Untuk perbandingan, kenal pasti dokumen dan syarat yang hendak dinilai, kemudian minta setiap dapatan bersama lokasi sumbernya. Output yang berguna boleh memisahkan keperluan bersama, percanggahan dan soalan terbuka. Soalan imej langsung boleh menumpukan label carta atau elemen antara muka; mengekalkan tajuk, unit dan peranan imej membantu memastikan jawapan terikat pada bahan yang diberikan.
Output ramalan didokumentasikan untuk tugas yang sebahagian besar jawapan yang diingini sudah diketahui, seperti menjana semula fail kod atau dokumen dengan suntingan terhad. Berikan kandungan sedia ada dan kenal pasti perubahan khusus, sambil mengekalkan bahagian yang perlu kekal. Ini berbeza daripada meminta artifak yang serba baharu atau menyambung daripada awalan respons yang diketahui. Ciri perkhidmatan menerangkan pilihan penghantaran dan pemformatan; ia tidak mengubah input teks dan imej atau output teks model.
Dalam aliran kerja berbantukan alat, aplikasi membekalkan perihalan fungsi dan parameter, model memilih fungsi dan menyediakan argumen, kemudian aplikasi melaksanakannya dan mengembalikan hasil. Alat pengiraan boleh menerima nilai yang dibaca daripada imej yang diberikan, manakala alat carian boleh menyediakan maklumat yang tiada untuk jawapan seterusnya. Kekalkan hasil alat bersama operasi yang menghasilkannya. Penaakulan berasaskan ejen bergantung pada persekitaran itu dan bukannya penjanaan teks sahaja yang melakukan tindakan luaran.
Penyediaan sesi panjang
Gunakan konteks 256k untuk kod sumber, dokumen dan sejarah perbualan yang berkaitan, dan pastikan matlamat sebenar jelas. Sesi pengekodan boleh mengekalkan modul, pemanggilnya dan keperluan sambil meminta satu perubahan yang ditentukan. Sesi dokumen boleh mengekalkan bahagian berkaitan bersama sambil mengembalikan jadual pendek atau petikan yang disemak. Kapasiti konteks tidak menetapkan panjang jawapan maksimum berasingan; contoh penjanaan 1,024 token dalam kad model ialah ilustrasi, bukannya had tersebut.
Pembuat menyatakan bahawa konfigurasi terdahulu yang dikeluarkan mengandungi ralat konteks panjang dan bahawa ia telah dibetulkan, termasuk kaitannya dengan titik semak terbitan. Kekalkan konfigurasi keluaran yang dibetulkan apabila menggunakan pemberat untuk sesi panjang. Mod hibrid dan seni bina 128B Medium 3.5 tidak patut dikaitkan dengan Medium 3.1 atau titik semak draft-head yang dinamakan secara berasingan hanya kerana namanya berkongsi keluarga.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-medium-3-5 | 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 $0.003 / 1K token Output · Token output $0.015 / 1K token Input · Bacaan cache — / 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 $0.003 / 1K token Output · Token output $0.015 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3-5", "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-medium-3-5',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-medium-3-5',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-medium-3-5
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/mistral-medium-3-5Mistral Medium 3.5 menggabungkan kepatuhan arahan, penaakulan dan pengekodan dalam model teks dan imej padat 128B. Ia mempunyai konteks 256k yang dinyatakan oleh pembuat, tetapan penaakulan bagi setiap permintaan, panggilan fungsi asli dan output berstruktur untuk aliran kerja dokumen dan ejen.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Mistral Medium 3.5 ialah model padat 128B Mistral AI yang menggabungkan kepatuhan arahan, penaakulan dan pengekodan dalam satu set pemberat. Ia menerima teks dan imej serta mengembalikan teks. Pembuat menyasarkannya untuk tugas berasaskan ejen dan pengekodan, manakala titik semak yang sama boleh menghasilkan jawapan perbualan langsung atau menggunakan mod penaakulan yang didokumentasikan untuk tugas yang lebih rumit.
Model bersepadu dan keupayaan visual
Kad yang dikeluarkan menetapkan 128 bilion parameter padat dan tetingkap konteks 256k. Pengekod penglihatannya dilatih untuk mengendalikan saiz imej dan nisbah bidang yang berbeza. Imej boleh menyumbangkan bukti kepada tugas pengekodan atau dokumen: tangkapan skrin antara muka, rajah yang mengiringi keperluan atau halaman yang mengandungi maklumat yang mesti ditafsirkan oleh model. Hasilnya boleh berupa penjelasan bertulis, kod atau medan berstruktur dan bukannya imej yang dijana.
Pembuat menerangkan sokongan berbilang bahasa merangkumi puluhan bahasa, termasuk bahasa Inggeris, Perancis, Sepanyol, Jerman, Itali, Portugis, Belanda, Cina, Jepun, Korea dan Arab. Ia turut menekankan kepatuhan kepada prom sistem dan panggilan fungsi asli dengan output JSON. Tetapkan khalayak, bahasa dan peraturan respons secara berasingan daripada bahan yang diperiksa supaya kata-kata dalam dokumen sumber kekal sebagai bukti untuk tugas tersebut.
Tetapan penaakulan
Kad model mendokumentasikan dua nilai usaha penaakulan bagi setiap permintaan. Nilai none memberikan jawapan gaya arahan tanpa mod penaakulan; high mengaktifkan penaakulan dan disyorkan untuk prom kompleks serta pengekodan berasaskan ejen. Ini ialah pilihan mod dalam titik semak Medium 3.5 yang sama, bukannya identiti model yang berbeza.
Untuk usaha penaakulan high, pembuat mengesyorkan suhu 0.7 dan top-p 0.95. Untuk none, ia mendokumentasikan suhu antara 0.0 dengan 0.7 bergantung pada tugas dan membiarkan top-p tidak ditetapkan atau pada 1.0. Ini ialah syor keluaran. Pilih tujuan output dahulu: pengekstrakan medan ringkas, perubahan kod dengan penjelasan atau perbandingan yang memerlukan beberapa keputusan berasas.
Tugas penaakulan praktikal boleh membekalkan keperluan, pelaksanaan dan input yang mendedahkan ketidakpadanan. Minta model mengenal pasti laluan berkaitan, menerangkan percanggahan dan mencadangkan perubahan terkecil yang mengekalkan antara muka awam. Minta kod yang disemak secara berasingan daripada andaian dan contoh. Model menjana cadangan; penyusunan, pelaksanaan dan penerapannya memerlukan persekitaran pembangunan yang disambungkan kepada ejen.
Alat, dokumen dan suntingan yang boleh dijangka
Kad perkhidmatan pembuat turut menyenaraikan output berstruktur, output ramalan, soalan dokumen, awalan respons, pemprosesan kelompok dan perbualan ejen. Untuk pengekstrakan, takrifkan nama medan, jenis dan cara menangani nilai yang tiada. Mod JSON membekalkan perwakilan berstruktur, manakala skema tersuai mentakrifkan bentuk yang lebih khusus dalam antara muka yang disambungkan. Minta rekod sahaja apabila program akan menghuraikannya dan penjelasan berasingan apabila seseorang perlu memeriksa tafsirannya.
Soal jawab dokumen menggabungkan teks dan struktur yang disediakan melalui OCR dengan pemahaman model bahasa. Untuk perbandingan, kenal pasti dokumen dan syarat yang hendak dinilai, kemudian minta setiap dapatan bersama lokasi sumbernya. Output yang berguna boleh memisahkan keperluan bersama, percanggahan dan soalan terbuka. Soalan imej langsung boleh menumpukan label carta atau elemen antara muka; mengekalkan tajuk, unit dan peranan imej membantu memastikan jawapan terikat pada bahan yang diberikan.
Output ramalan didokumentasikan untuk tugas yang sebahagian besar jawapan yang diingini sudah diketahui, seperti menjana semula fail kod atau dokumen dengan suntingan terhad. Berikan kandungan sedia ada dan kenal pasti perubahan khusus, sambil mengekalkan bahagian yang perlu kekal. Ini berbeza daripada meminta artifak yang serba baharu atau menyambung daripada awalan respons yang diketahui. Ciri perkhidmatan menerangkan pilihan penghantaran dan pemformatan; ia tidak mengubah input teks dan imej atau output teks model.
Dalam aliran kerja berbantukan alat, aplikasi membekalkan perihalan fungsi dan parameter, model memilih fungsi dan menyediakan argumen, kemudian aplikasi melaksanakannya dan mengembalikan hasil. Alat pengiraan boleh menerima nilai yang dibaca daripada imej yang diberikan, manakala alat carian boleh menyediakan maklumat yang tiada untuk jawapan seterusnya. Kekalkan hasil alat bersama operasi yang menghasilkannya. Penaakulan berasaskan ejen bergantung pada persekitaran itu dan bukannya penjanaan teks sahaja yang melakukan tindakan luaran.
Penyediaan sesi panjang
Gunakan konteks 256k untuk kod sumber, dokumen dan sejarah perbualan yang berkaitan, dan pastikan matlamat sebenar jelas. Sesi pengekodan boleh mengekalkan modul, pemanggilnya dan keperluan sambil meminta satu perubahan yang ditentukan. Sesi dokumen boleh mengekalkan bahagian berkaitan bersama sambil mengembalikan jadual pendek atau petikan yang disemak. Kapasiti konteks tidak menetapkan panjang jawapan maksimum berasingan; contoh penjanaan 1,024 token dalam kad model ialah ilustrasi, bukannya had tersebut.
Pembuat menyatakan bahawa konfigurasi terdahulu yang dikeluarkan mengandungi ralat konteks panjang dan bahawa ia telah dibetulkan, termasuk kaitannya dengan titik semak terbitan. Kekalkan konfigurasi keluaran yang dibetulkan apabila menggunakan pemberat untuk sesi panjang. Mod hibrid dan seni bina 128B Medium 3.5 tidak patut dikaitkan dengan Medium 3.1 atau titik semak draft-head yang dinamakan secara berasingan hanya kerana namanya berkongsi keluarga.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/mistral-medium-3-5 | 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 $0.003 / 1K token Output · Token output $0.015 / 1K token Input · Bacaan cache — / 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 $0.003 / 1K token Output · Token output $0.015 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-3-5', '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-medium-3-5', '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-medium-3-5
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.