Mistral Large er Mistral AIs allsidige multimodale familie for komplekst dokumentarbeid, programvareutvikling og agentoppgaver. Large 4 kombinerer instruksjonsfølging, resonnering og verktøybruk med innebygd visuell forståelse. Den finkornede mixture-of-experts-arkitekturen har totalt 1,05 billioner parametere og 52 milliarder aktive parametere, sammen med en visuell koder på 1,6 milliarder parametere. Kontekstvinduet til Large 4 er på 1M tokener. Large 3 er en separat utgave med totalt 675 milliarder parametere, 41 milliarder aktive parametere og et kontekstvindu på 256K.
Modellen arbeider med skriftlige oppgaver og visuelt materiale for å produsere tekst, kode eller strukturerte resultater. I resonneringsflyten til Large 4 returnerer en innstilling med minimal innsats svaret direkte, mens høy innsats inkluderer et resonneringsavsnitt før det endelige svaret. Fullstendige assistentmeldinger bevarer kontinuiteten gjennom oppfølgingsrunder. Strukturerte utdata kan bruke JSON eller et tilpasset skjema, og applikasjonen kan oppgi et prefiks for en kontrollert åpning av svaret.
Funksjonskall knytter en analytisk oppgave til ekstern informasjon og handlinger. Gi funksjonsbeskrivelsene, inndatafeltene og brukerens mål. Modellen velger en funksjon og forbereder argumentene; applikasjonen utfører den, returnerer resultatet og fortsetter samtalen. Arbeidsflyten kan omfatte påfølgende kall eller flere kall parallelt. Dokumentbasert spørsmålssvar kombinerer dokumentuttrekk med språkforståelse, mens satsvis behandling håndterer samlinger av forespørsler asynkront. Tilgjengelige verktøy og utførelse leveres av applikasjonen rundt modellen.
Funksjonsområdene til Large 4 begynner med sikkerhetsanalyse: Produsenten beskriver innledende vurdering av skadevare, prioritering av sårbarheter og utarbeiding av deteksjonsregler for defensivt arbeid. I agentbasert programmering ligger fokuset på forståelse av kodearkiver, programvareendringer og komplekse terminalflyter. En nyttig programmeringsoppgave identifiserer den berørte atferden, filene og avhengighetene som er involvert, og kontrollene som vil fastslå et riktig resultat.
For generelle agentarbeidsflyter kan modellen samle materiale, bruke tilknyttede verktøy og sette sammen leveranser som dokumenter, regneark og lysbildeinnhold. Det multimodale arbeidet dekker diagrammer, komplekse sider, naturlige scener og tekniske tegninger. Visuell forankring knytter et spørsmål til et objekt eller område; en teknisk oppgave kan undersøke den oppgitte tegningen, sammenligne synlige deler og returnere en forklaring knyttet til bevisene. I dokumentanalyse ber du om den spesifikke siden, tabellen eller passasjen som underbygger hver konklusjon.
Vitenskapelige og matematiske bruksområder omfatter dataanalyse, modellering, simuleringskode og omfattende oppgaver i anvendt matematikk. Kunnskapsarbeid omfatter redigering av dokumenter og regneark og sammenligning av informasjon fra flere kilder. En oppgave via Ailoot API kan spesifisere en redigerbar rapportdisposisjon, et strukturert sett med funn eller kode som applikasjonen skal kjøre og verifisere. Dette er forskjellige utdata: En forklaring svarer på et spørsmål, et strukturert resultat sender data videre, og en verktøystøttet arbeidsflyt bruker applikasjonen til å opprette eller oppdatere det endelige artefaktet.
Treningen av Large 4 omfatter flerspråklig materiale på mer enn 160 språk, inkludert alle offisielle EU-språk. Ettertreningen kombinerer veiledet finjustering med forsterkningslæring innen resonnering, vitenskapelig arbeid, verktøybruk, faktapresisjon og sikkerhetstilpasning. Sikkerhetsarbeidet tar for seg indirekte promptinjeksjon og ondsinnede cybersikkerhetsforespørsler. Familievalget forblir en oppdatert modellinje: De tallfestede arkitekturene, kontekstvinduene og resonneringsatferden ovenfor tilhører de uttrykkelig navngitte utgavene, som holdes atskilt når en fast versjon velges.
", "aboutText": "Mistral Large er Mistral AIs allsidige multimodale familie for komplekst dokumentarbeid, programvareutvikling og agentoppgaver. Large 4 kombinerer instruksjonsfølging, resonnering og verktøybruk med innebygd visuell forståelse. Den finkornede mixture-of-experts-arkitekturen har totalt 1,05 billioner parametere og 52 milliarder aktive parametere, sammen med en visuell koder på 1,6 milliarder parametere. Kontekstvinduet til Large 4 er på 1M tokener. Large 3 er en separat utgave med totalt 675 milliarder parametere, 41 milliarder aktive parametere og et kontekstvindu på 256K.\n\nModellen arbeider med skriftlige oppgaver og visuelt materiale for å produsere tekst, kode eller strukturerte resultater. I resonneringsflyten til Large 4 returnerer en innstilling med minimal innsats svaret direkte, mens høy innsats inkluderer et resonneringsavsnitt før det endelige svaret. Fullstendige assistentmeldinger bevarer kontinuiteten gjennom oppfølgingsrunder. Strukturerte utdata kan bruke JSON eller et tilpasset skjema, og applikasjonen kan oppgi et prefiks for en kontrollert åpning av svaret.\n\nFunksjonskall knytter en analytisk oppgave til ekstern informasjon og handlinger. Gi funksjonsbeskrivelsene, inndatafeltene og brukerens mål. Modellen velger en funksjon og forbereder argumentene; applikasjonen utfører den, returnerer resultatet og fortsetter samtalen. Arbeidsflyten kan omfatte påfølgende kall eller flere kall parallelt. Dokumentbasert spørsmålssvar kombinerer dokumentuttrekk med språkforståelse, mens satsvis behandling håndterer samlinger av forespørsler asynkront. Tilgjengelige verktøy og utførelse leveres av applikasjonen rundt modellen.\n\nFunksjonsområdene til Large 4 begynner med sikkerhetsanalyse: Produsenten beskriver innledende vurdering av skadevare, prioritering av sårbarheter og utarbeiding av deteksjonsregler for defensivt arbeid. I agentbasert programmering ligger fokuset på forståelse av kodearkiver, programvareendringer og komplekse terminalflyter. En nyttig programmeringsoppgave identifiserer den berørte atferden, filene og avhengighetene som er involvert, og kontrollene som vil fastslå et riktig resultat.\n\nFor generelle agentarbeidsflyter kan modellen samle materiale, bruke tilknyttede verktøy og sette sammen leveranser som dokumenter, regneark og lysbildeinnhold. Det multimodale arbeidet dekker diagrammer, komplekse sider, naturlige scener og tekniske tegninger. Visuell forankring knytter et spørsmål til et objekt eller område; en teknisk oppgave kan undersøke den oppgitte tegningen, sammenligne synlige deler og returnere en forklaring knyttet til bevisene. I dokumentanalyse ber du om den spesifikke siden, tabellen eller passasjen som underbygger hver konklusjon.\n\nVitenskapelige og matematiske bruksområder omfatter dataanalyse, modellering, simuleringskode og omfattende oppgaver i anvendt matematikk. Kunnskapsarbeid omfatter redigering av dokumenter og regneark og sammenligning av informasjon fra flere kilder. En oppgave via Ailoot API kan spesifisere en redigerbar rapportdisposisjon, et strukturert sett med funn eller kode som applikasjonen skal kjøre og verifisere. Dette er forskjellige utdata: En forklaring svarer på et spørsmål, et strukturert resultat sender data videre, og en verktøystøttet arbeidsflyt bruker applikasjonen til å opprette eller oppdatere det endelige artefaktet.\n\nTreningen av Large 4 omfatter flerspråklig materiale på mer enn 160 språk, inkludert alle offisielle EU-språk. Ettertreningen kombinerer veiledet finjustering med forsterkningslæring innen resonnering, vitenskapelig arbeid, verktøybruk, faktapresisjon og sikkerhetstilpasning. Sikkerhetsarbeidet tar for seg indirekte promptinjeksjon og ondsinnede cybersikkerhetsforespørsler. Familievalget forblir en oppdatert modellinje: De tallfestede arkitekturene, kontekstvinduene og resonneringsatferden ovenfor tilhører de uttrykkelig navngitte utgavene, som holdes atskilt når en fast versjon velges.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Find a report inconsistency\n\nReview these report sections. [Summary] The pilot covered 120 orders and had 6 returns. [Table] Delivered: 114; returned: 6; cancelled before dispatch: 5. Identify which totals can be reconciled and which scope is unclear. Draft a correction question for the report author, retaining section labels and avoiding an invented denominator.A source-linked finding table and a precise question about the order population and cancellations.Ensure the five cancellations are not silently added to or removed from the stated 120-order pilot.mistral-large-latestMistral AIs Large-familie kombinerer dokument- og bildeforståelse med resonnering, programmering og verktøybaserte arbeidsflyter. Publiserte Large-utgaver støtter strukturerte svar og arbeid med lang kontekst, med arkitektur og kontekststørrelser knyttet til hver navngitte versjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Large er Mistral AIs allsidige multimodale familie for komplekst dokumentarbeid, programvareutvikling og agentoppgaver. Large 4 kombinerer instruksjonsfølging, resonnering og verktøybruk med innebygd visuell forståelse. Den finkornede mixture-of-experts-arkitekturen har totalt 1,05 billioner parametere og 52 milliarder aktive parametere, sammen med en visuell koder på 1,6 milliarder parametere. Kontekstvinduet til Large 4 er på 1M tokener. Large 3 er en separat utgave med totalt 675 milliarder parametere, 41 milliarder aktive parametere og et kontekstvindu på 256K.
Modellen arbeider med skriftlige oppgaver og visuelt materiale for å produsere tekst, kode eller strukturerte resultater. I resonneringsflyten til Large 4 returnerer en innstilling med minimal innsats svaret direkte, mens høy innsats inkluderer et resonneringsavsnitt før det endelige svaret. Fullstendige assistentmeldinger bevarer kontinuiteten gjennom oppfølgingsrunder. Strukturerte utdata kan bruke JSON eller et tilpasset skjema, og applikasjonen kan oppgi et prefiks for en kontrollert åpning av svaret.
Funksjonskall knytter en analytisk oppgave til ekstern informasjon og handlinger. Gi funksjonsbeskrivelsene, inndatafeltene og brukerens mål. Modellen velger en funksjon og forbereder argumentene; applikasjonen utfører den, returnerer resultatet og fortsetter samtalen. Arbeidsflyten kan omfatte påfølgende kall eller flere kall parallelt. Dokumentbasert spørsmålssvar kombinerer dokumentuttrekk med språkforståelse, mens satsvis behandling håndterer samlinger av forespørsler asynkront. Tilgjengelige verktøy og utførelse leveres av applikasjonen rundt modellen.
Funksjonsområdene til Large 4 begynner med sikkerhetsanalyse: Produsenten beskriver innledende vurdering av skadevare, prioritering av sårbarheter og utarbeiding av deteksjonsregler for defensivt arbeid. I agentbasert programmering ligger fokuset på forståelse av kodearkiver, programvareendringer og komplekse terminalflyter. En nyttig programmeringsoppgave identifiserer den berørte atferden, filene og avhengighetene som er involvert, og kontrollene som vil fastslå et riktig resultat.
For generelle agentarbeidsflyter kan modellen samle materiale, bruke tilknyttede verktøy og sette sammen leveranser som dokumenter, regneark og lysbildeinnhold. Det multimodale arbeidet dekker diagrammer, komplekse sider, naturlige scener og tekniske tegninger. Visuell forankring knytter et spørsmål til et objekt eller område; en teknisk oppgave kan undersøke den oppgitte tegningen, sammenligne synlige deler og returnere en forklaring knyttet til bevisene. I dokumentanalyse ber du om den spesifikke siden, tabellen eller passasjen som underbygger hver konklusjon.
Vitenskapelige og matematiske bruksområder omfatter dataanalyse, modellering, simuleringskode og omfattende oppgaver i anvendt matematikk. Kunnskapsarbeid omfatter redigering av dokumenter og regneark og sammenligning av informasjon fra flere kilder. En oppgave via Ailoot API kan spesifisere en redigerbar rapportdisposisjon, et strukturert sett med funn eller kode som applikasjonen skal kjøre og verifisere. Dette er forskjellige utdata: En forklaring svarer på et spørsmål, et strukturert resultat sender data videre, og en verktøystøttet arbeidsflyt bruker applikasjonen til å opprette eller oppdatere det endelige artefaktet.
Treningen av Large 4 omfatter flerspråklig materiale på mer enn 160 språk, inkludert alle offisielle EU-språk. Ettertreningen kombinerer veiledet finjustering med forsterkningslæring innen resonnering, vitenskapelig arbeid, verktøybruk, faktapresisjon og sikkerhetstilpasning. Sikkerhetsarbeidet tar for seg indirekte promptinjeksjon og ondsinnede cybersikkerhetsforespørsler. Familievalget forblir en oppdatert modellinje: De tallfestede arkitekturene, kontekstvinduene og resonneringsatferden ovenfor tilhører de uttrykkelig navngitte utgavene, som holdes atskilt når en fast versjon velges.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistral-large-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0044 / 1K tokener Utdata · Utgående tokener $0.0132 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistral-large-latest", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistral-large-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistral-large-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra mistral-large-latest
Bruk metodestiene som vises ovenfor.
mistral-large-latestMistral AIs Large-familie kombinerer dokument- og bildeforståelse med resonnering, programmering og verktøybaserte arbeidsflyter. Publiserte Large-utgaver støtter strukturerte svar og arbeid med lang kontekst, med arkitektur og kontekststørrelser knyttet til hver navngitte versjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Large er Mistral AIs allsidige multimodale familie for komplekst dokumentarbeid, programvareutvikling og agentoppgaver. Large 4 kombinerer instruksjonsfølging, resonnering og verktøybruk med innebygd visuell forståelse. Den finkornede mixture-of-experts-arkitekturen har totalt 1,05 billioner parametere og 52 milliarder aktive parametere, sammen med en visuell koder på 1,6 milliarder parametere. Kontekstvinduet til Large 4 er på 1M tokener. Large 3 er en separat utgave med totalt 675 milliarder parametere, 41 milliarder aktive parametere og et kontekstvindu på 256K.
Modellen arbeider med skriftlige oppgaver og visuelt materiale for å produsere tekst, kode eller strukturerte resultater. I resonneringsflyten til Large 4 returnerer en innstilling med minimal innsats svaret direkte, mens høy innsats inkluderer et resonneringsavsnitt før det endelige svaret. Fullstendige assistentmeldinger bevarer kontinuiteten gjennom oppfølgingsrunder. Strukturerte utdata kan bruke JSON eller et tilpasset skjema, og applikasjonen kan oppgi et prefiks for en kontrollert åpning av svaret.
Funksjonskall knytter en analytisk oppgave til ekstern informasjon og handlinger. Gi funksjonsbeskrivelsene, inndatafeltene og brukerens mål. Modellen velger en funksjon og forbereder argumentene; applikasjonen utfører den, returnerer resultatet og fortsetter samtalen. Arbeidsflyten kan omfatte påfølgende kall eller flere kall parallelt. Dokumentbasert spørsmålssvar kombinerer dokumentuttrekk med språkforståelse, mens satsvis behandling håndterer samlinger av forespørsler asynkront. Tilgjengelige verktøy og utførelse leveres av applikasjonen rundt modellen.
Funksjonsområdene til Large 4 begynner med sikkerhetsanalyse: Produsenten beskriver innledende vurdering av skadevare, prioritering av sårbarheter og utarbeiding av deteksjonsregler for defensivt arbeid. I agentbasert programmering ligger fokuset på forståelse av kodearkiver, programvareendringer og komplekse terminalflyter. En nyttig programmeringsoppgave identifiserer den berørte atferden, filene og avhengighetene som er involvert, og kontrollene som vil fastslå et riktig resultat.
For generelle agentarbeidsflyter kan modellen samle materiale, bruke tilknyttede verktøy og sette sammen leveranser som dokumenter, regneark og lysbildeinnhold. Det multimodale arbeidet dekker diagrammer, komplekse sider, naturlige scener og tekniske tegninger. Visuell forankring knytter et spørsmål til et objekt eller område; en teknisk oppgave kan undersøke den oppgitte tegningen, sammenligne synlige deler og returnere en forklaring knyttet til bevisene. I dokumentanalyse ber du om den spesifikke siden, tabellen eller passasjen som underbygger hver konklusjon.
Vitenskapelige og matematiske bruksområder omfatter dataanalyse, modellering, simuleringskode og omfattende oppgaver i anvendt matematikk. Kunnskapsarbeid omfatter redigering av dokumenter og regneark og sammenligning av informasjon fra flere kilder. En oppgave via Ailoot API kan spesifisere en redigerbar rapportdisposisjon, et strukturert sett med funn eller kode som applikasjonen skal kjøre og verifisere. Dette er forskjellige utdata: En forklaring svarer på et spørsmål, et strukturert resultat sender data videre, og en verktøystøttet arbeidsflyt bruker applikasjonen til å opprette eller oppdatere det endelige artefaktet.
Treningen av Large 4 omfatter flerspråklig materiale på mer enn 160 språk, inkludert alle offisielle EU-språk. Ettertreningen kombinerer veiledet finjustering med forsterkningslæring innen resonnering, vitenskapelig arbeid, verktøybruk, faktapresisjon og sikkerhetstilpasning. Sikkerhetsarbeidet tar for seg indirekte promptinjeksjon og ondsinnede cybersikkerhetsforespørsler. Familievalget forblir en oppdatert modellinje: De tallfestede arkitekturene, kontekstvinduene og resonneringsatferden ovenfor tilhører de uttrykkelig navngitte utgavene, som holdes atskilt når en fast versjon velges.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistral-large-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0044 / 1K tokener Utdata · Utgående tokener $0.0132 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistral-large-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistral-large-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistral-large-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra mistral-large-latest
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Find a report inconsistency\n\nReview these report sections. [Summary] The pilot covered 120 orders and had 6 returns. [Table] Delivered: 114; returned: 6; cancelled before dispatch: 5. Identify which totals can be reconciled and which scope is unclear. Draft a correction question for the report author, retaining section labels and avoiding an invented denominator.A source-linked finding table and a precise question about the order population and cancellations.Ensure the five cancellations are not silently added to or removed from the stated 120-order pilot.