Mistral Medium er Mistral AIs familie for applikasjonsassistenter, dokumentarbeid og programvareagenter. Medium 3.5-utgaven kombinerer instruksjonsfølging, resonnering og programmering i en tett modell med 128 milliarder parametere og et kontekstvindu på 256K. Den forstår tekst og visuelt materiale og produserer tekst, kode eller strukturerte resultater. Den visuelle koderen er trent for å håndtere varierende bildestørrelser og sideforhold, slik at en oppgave kan kombinere skriftlige krav med skjermbilder, dokumentsider eller andre visuelle bevis.
Modellens funksjoner begynner med strukturerte utdata og funksjonskall. JSON-utdata er nyttig når svaret må bevare en maskinlesbar struktur; et tilpasset skjema definerer påkrevde felter og typene deres. En dokumentoppgave kan returnere en tabell med uttrukne fakta, en sammenligning av avsnitt eller et sammendrag med åpne spørsmål. Dokumentbasert spørsmålssvar kombinerer uttrekk av dokumentets tekst og struktur med språkmodellforståelse, slik at spørsmålet kan knyttes til det relevante innholdet i stedet for en fri gjetning.
I en verktøystøttet oppgave beskriver applikasjonen funksjonene sine og argumentene de tar imot. Modellen velger en funksjon, forbereder argumentene og mottar resultatet etter at applikasjonen har utført handlingen. Samtalen kan fortsette med et nytt verktøykall eller et endelig svar. Parallell verktøybruk gjør at uavhengige kall kan etterspørres samlet der applikasjonen tillater det. Styring av verktøyvalg kan la modellen bestemme, kreve et verktøy eller holde oppgaven innenfor et tekstsvar.
Medium 3.5 justerer resonneringsinnsatsen per forespørsel. En innstilling med minimal tenkning returnerer svaret direkte; høy innsats inkluderer et resonneringsavsnitt før det endelige svaret og anbefales for agent- og programmeringsoppgaver. I en resonneringssamtale over flere runder bevarer fullstendige assistentmeldinger informasjonen som trengs for oppfølgingsarbeid. Forhåndsangitte utdata hjelper ved revisjon av kode eller et dokument med kjente passasjer, og et oppgitt prefiks kan fastsette åpningen av svaret. Satsvise arbeidsflyter kan behandle en samling uavhengige forespørsler asynkront.
Utgaven er utviklet for arbeid som fortsetter over mange steg. Programmeringseksempler omfatter refaktorering av moduler, feilretting, generering av kontroller, oppdatering av avhengigheter og undersøkelse av mislykkede utviklingsflyter. En nyttig oppgave oppgir de berørte filene, ønsket atferd og et tydelig kriterium for fullføring. Modellen kan bruke resultatene av utforsking i kodearkivet og kontroller kjørt av applikasjonen til å revidere den foreslåtte løsningen; verktøy og filtilgang styres av det omkringliggende agentmiljøet.
For kunnskapsarbeid beskriver produsenten forskning, syntese og arbeidsflyter på tvers av tilknyttede verktøy. En oppgave via Ailoot API kan be om en strukturert oppsummering satt sammen fra oppgitte dokumenter, en sammenligning av tekniske alternativer eller et utkast basert på innhentet informasjon. Angi hvilke observasjoner som underbygger konklusjonen, og hvilket artefakt som skal fullføre oppgaven. Modellen forbereder resonneringen og resultatet; applikasjonen gir informasjonstilgang, utfører handlinger og presenterer leveransen. Medium-familienavnet forblir et oppdatert valg, mens den tallfestede arkitekturen, visuelle behandlingen og resonneringsmodusene som beskrives her, tilhører den uttrykkelig navngitte Medium 3.5-utgaven.
", "aboutText": "Mistral Medium er Mistral AIs familie for applikasjonsassistenter, dokumentarbeid og programvareagenter. Medium 3.5-utgaven kombinerer instruksjonsfølging, resonnering og programmering i en tett modell med 128 milliarder parametere og et kontekstvindu på 256K. Den forstår tekst og visuelt materiale og produserer tekst, kode eller strukturerte resultater. Den visuelle koderen er trent for å håndtere varierende bildestørrelser og sideforhold, slik at en oppgave kan kombinere skriftlige krav med skjermbilder, dokumentsider eller andre visuelle bevis.\n\nModellens funksjoner begynner med strukturerte utdata og funksjonskall. JSON-utdata er nyttig når svaret må bevare en maskinlesbar struktur; et tilpasset skjema definerer påkrevde felter og typene deres. En dokumentoppgave kan returnere en tabell med uttrukne fakta, en sammenligning av avsnitt eller et sammendrag med åpne spørsmål. Dokumentbasert spørsmålssvar kombinerer uttrekk av dokumentets tekst og struktur med språkmodellforståelse, slik at spørsmålet kan knyttes til det relevante innholdet i stedet for en fri gjetning.\n\nI en verktøystøttet oppgave beskriver applikasjonen funksjonene sine og argumentene de tar imot. Modellen velger en funksjon, forbereder argumentene og mottar resultatet etter at applikasjonen har utført handlingen. Samtalen kan fortsette med et nytt verktøykall eller et endelig svar. Parallell verktøybruk gjør at uavhengige kall kan etterspørres samlet der applikasjonen tillater det. Styring av verktøyvalg kan la modellen bestemme, kreve et verktøy eller holde oppgaven innenfor et tekstsvar.\n\nMedium 3.5 justerer resonneringsinnsatsen per forespørsel. En innstilling med minimal tenkning returnerer svaret direkte; høy innsats inkluderer et resonneringsavsnitt før det endelige svaret og anbefales for agent- og programmeringsoppgaver. I en resonneringssamtale over flere runder bevarer fullstendige assistentmeldinger informasjonen som trengs for oppfølgingsarbeid. Forhåndsangitte utdata hjelper ved revisjon av kode eller et dokument med kjente passasjer, og et oppgitt prefiks kan fastsette åpningen av svaret. Satsvise arbeidsflyter kan behandle en samling uavhengige forespørsler asynkront.\n\nUtgaven er utviklet for arbeid som fortsetter over mange steg. Programmeringseksempler omfatter refaktorering av moduler, feilretting, generering av kontroller, oppdatering av avhengigheter og undersøkelse av mislykkede utviklingsflyter. En nyttig oppgave oppgir de berørte filene, ønsket atferd og et tydelig kriterium for fullføring. Modellen kan bruke resultatene av utforsking i kodearkivet og kontroller kjørt av applikasjonen til å revidere den foreslåtte løsningen; verktøy og filtilgang styres av det omkringliggende agentmiljøet.\n\nFor kunnskapsarbeid beskriver produsenten forskning, syntese og arbeidsflyter på tvers av tilknyttede verktøy. En oppgave via Ailoot API kan be om en strukturert oppsummering satt sammen fra oppgitte dokumenter, en sammenligning av tekniske alternativer eller et utkast basert på innhentet informasjon. Angi hvilke observasjoner som underbygger konklusjonen, og hvilket artefakt som skal fullføre oppgaven. Modellen forbereder resonneringen og resultatet; applikasjonen gir informasjonstilgang, utfører handlinger og presenterer leveransen. Medium-familienavnet forblir et oppdatert valg, mens den tallfestede arkitekturen, visuelle behandlingen og resonneringsmodusene som beskrives her, tilhører den uttrykkelig navngitte Medium 3.5-utgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract obligations from a supplier note\n\nPrepare a document brief from this note: 'The supplier will send samples by 6 June. The buyer must approve the color before production starts. The production lead time is 20 business days after approval. No shipping date has been agreed.' Return obligations, dependency and unresolved information, preserving the distinction between sample delivery and production timing.A concise obligation table and a separate list of unresolved scheduling information.The brief does not calculate an agreed shipping date from a production lead time alone.mistral-medium-latestMistral AIs Medium-familie støtter dokumentforståelse, programmering og agenter som arbeider gjennom flere steg med verktøystøtte. Medium 3.5-utgaven kombinerer instruksjonsfølging og justerbar resonnering i en multimodal modell med et kontekstvindu på 256K.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Medium er Mistral AIs familie for applikasjonsassistenter, dokumentarbeid og programvareagenter. Medium 3.5-utgaven kombinerer instruksjonsfølging, resonnering og programmering i en tett modell med 128 milliarder parametere og et kontekstvindu på 256K. Den forstår tekst og visuelt materiale og produserer tekst, kode eller strukturerte resultater. Den visuelle koderen er trent for å håndtere varierende bildestørrelser og sideforhold, slik at en oppgave kan kombinere skriftlige krav med skjermbilder, dokumentsider eller andre visuelle bevis.
Modellens funksjoner begynner med strukturerte utdata og funksjonskall. JSON-utdata er nyttig når svaret må bevare en maskinlesbar struktur; et tilpasset skjema definerer påkrevde felter og typene deres. En dokumentoppgave kan returnere en tabell med uttrukne fakta, en sammenligning av avsnitt eller et sammendrag med åpne spørsmål. Dokumentbasert spørsmålssvar kombinerer uttrekk av dokumentets tekst og struktur med språkmodellforståelse, slik at spørsmålet kan knyttes til det relevante innholdet i stedet for en fri gjetning.
I en verktøystøttet oppgave beskriver applikasjonen funksjonene sine og argumentene de tar imot. Modellen velger en funksjon, forbereder argumentene og mottar resultatet etter at applikasjonen har utført handlingen. Samtalen kan fortsette med et nytt verktøykall eller et endelig svar. Parallell verktøybruk gjør at uavhengige kall kan etterspørres samlet der applikasjonen tillater det. Styring av verktøyvalg kan la modellen bestemme, kreve et verktøy eller holde oppgaven innenfor et tekstsvar.
Medium 3.5 justerer resonneringsinnsatsen per forespørsel. En innstilling med minimal tenkning returnerer svaret direkte; høy innsats inkluderer et resonneringsavsnitt før det endelige svaret og anbefales for agent- og programmeringsoppgaver. I en resonneringssamtale over flere runder bevarer fullstendige assistentmeldinger informasjonen som trengs for oppfølgingsarbeid. Forhåndsangitte utdata hjelper ved revisjon av kode eller et dokument med kjente passasjer, og et oppgitt prefiks kan fastsette åpningen av svaret. Satsvise arbeidsflyter kan behandle en samling uavhengige forespørsler asynkront.
Utgaven er utviklet for arbeid som fortsetter over mange steg. Programmeringseksempler omfatter refaktorering av moduler, feilretting, generering av kontroller, oppdatering av avhengigheter og undersøkelse av mislykkede utviklingsflyter. En nyttig oppgave oppgir de berørte filene, ønsket atferd og et tydelig kriterium for fullføring. Modellen kan bruke resultatene av utforsking i kodearkivet og kontroller kjørt av applikasjonen til å revidere den foreslåtte løsningen; verktøy og filtilgang styres av det omkringliggende agentmiljøet.
For kunnskapsarbeid beskriver produsenten forskning, syntese og arbeidsflyter på tvers av tilknyttede verktøy. En oppgave via Ailoot API kan be om en strukturert oppsummering satt sammen fra oppgitte dokumenter, en sammenligning av tekniske alternativer eller et utkast basert på innhentet informasjon. Angi hvilke observasjoner som underbygger konklusjonen, og hvilket artefakt som skal fullføre oppgaven. Modellen forbereder resonneringen og resultatet; applikasjonen gir informasjonstilgang, utfører handlinger og presenterer leveransen. Medium-familienavnet forblir et oppdatert valg, mens den tallfestede arkitekturen, visuelle behandlingen og resonneringsmodusene som beskrives her, tilhører den uttrykkelig navngitte Medium 3.5-utgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistral-medium-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 $0.00088 / 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-medium-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-medium-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-medium-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-medium-latest
Bruk metodestiene som vises ovenfor.
mistral-medium-latestMistral AIs Medium-familie støtter dokumentforståelse, programmering og agenter som arbeider gjennom flere steg med verktøystøtte. Medium 3.5-utgaven kombinerer instruksjonsfølging og justerbar resonnering i en multimodal modell med et kontekstvindu på 256K.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Medium er Mistral AIs familie for applikasjonsassistenter, dokumentarbeid og programvareagenter. Medium 3.5-utgaven kombinerer instruksjonsfølging, resonnering og programmering i en tett modell med 128 milliarder parametere og et kontekstvindu på 256K. Den forstår tekst og visuelt materiale og produserer tekst, kode eller strukturerte resultater. Den visuelle koderen er trent for å håndtere varierende bildestørrelser og sideforhold, slik at en oppgave kan kombinere skriftlige krav med skjermbilder, dokumentsider eller andre visuelle bevis.
Modellens funksjoner begynner med strukturerte utdata og funksjonskall. JSON-utdata er nyttig når svaret må bevare en maskinlesbar struktur; et tilpasset skjema definerer påkrevde felter og typene deres. En dokumentoppgave kan returnere en tabell med uttrukne fakta, en sammenligning av avsnitt eller et sammendrag med åpne spørsmål. Dokumentbasert spørsmålssvar kombinerer uttrekk av dokumentets tekst og struktur med språkmodellforståelse, slik at spørsmålet kan knyttes til det relevante innholdet i stedet for en fri gjetning.
I en verktøystøttet oppgave beskriver applikasjonen funksjonene sine og argumentene de tar imot. Modellen velger en funksjon, forbereder argumentene og mottar resultatet etter at applikasjonen har utført handlingen. Samtalen kan fortsette med et nytt verktøykall eller et endelig svar. Parallell verktøybruk gjør at uavhengige kall kan etterspørres samlet der applikasjonen tillater det. Styring av verktøyvalg kan la modellen bestemme, kreve et verktøy eller holde oppgaven innenfor et tekstsvar.
Medium 3.5 justerer resonneringsinnsatsen per forespørsel. En innstilling med minimal tenkning returnerer svaret direkte; høy innsats inkluderer et resonneringsavsnitt før det endelige svaret og anbefales for agent- og programmeringsoppgaver. I en resonneringssamtale over flere runder bevarer fullstendige assistentmeldinger informasjonen som trengs for oppfølgingsarbeid. Forhåndsangitte utdata hjelper ved revisjon av kode eller et dokument med kjente passasjer, og et oppgitt prefiks kan fastsette åpningen av svaret. Satsvise arbeidsflyter kan behandle en samling uavhengige forespørsler asynkront.
Utgaven er utviklet for arbeid som fortsetter over mange steg. Programmeringseksempler omfatter refaktorering av moduler, feilretting, generering av kontroller, oppdatering av avhengigheter og undersøkelse av mislykkede utviklingsflyter. En nyttig oppgave oppgir de berørte filene, ønsket atferd og et tydelig kriterium for fullføring. Modellen kan bruke resultatene av utforsking i kodearkivet og kontroller kjørt av applikasjonen til å revidere den foreslåtte løsningen; verktøy og filtilgang styres av det omkringliggende agentmiljøet.
For kunnskapsarbeid beskriver produsenten forskning, syntese og arbeidsflyter på tvers av tilknyttede verktøy. En oppgave via Ailoot API kan be om en strukturert oppsummering satt sammen fra oppgitte dokumenter, en sammenligning av tekniske alternativer eller et utkast basert på innhentet informasjon. Angi hvilke observasjoner som underbygger konklusjonen, og hvilket artefakt som skal fullføre oppgaven. Modellen forbereder resonneringen og resultatet; applikasjonen gir informasjonstilgang, utfører handlinger og presenterer leveransen. Medium-familienavnet forblir et oppdatert valg, mens den tallfestede arkitekturen, visuelle behandlingen og resonneringsmodusene som beskrives her, tilhører den uttrykkelig navngitte Medium 3.5-utgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistral-medium-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 $0.00088 / 1K tokener Utdata · Utgående tokener $0.0132 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistral-medium-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-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-medium-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-medium-latest
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Extract obligations from a supplier note\n\nPrepare a document brief from this note: 'The supplier will send samples by 6 June. The buyer must approve the color before production starts. The production lead time is 20 business days after approval. No shipping date has been agreed.' Return obligations, dependency and unresolved information, preserving the distinction between sample delivery and production timing.A concise obligation table and a separate list of unresolved scheduling information.The brief does not calculate an agreed shipping date from a production lead time alone.