Mistral Large 3 2512 er Mistral AIs instruksjonstilpassede utgave for generell samtale, visuell forståelse og virksomhetsarbeid. Den sparsomme mixture-of-experts-arkitekturen har totalt 675 milliarder parametere, hvorav 41 milliarder aktive, og et kontekstvindu på 256k. Tekst og bilder kan bidra til samme oppgave, mens svaret er tekst, kode eller et strukturert resultat.
Funksjoner og forberedelse av inndata
Modellen kombinerer en språkkomponent med en visuell koder. Gi et bilde en tydelig rolle: en side som skal leses, et diagram som skal tolkes, eller et skjermbilde som skal forklares. For et tettpakket skjermbilde gir du et utsnitt med de relevante kontrollene og bevarer de omkringliggende etikettene som trengs for å forstå dem. Mistral anbefaler bildeformer nær kvadratiske; del en usedvanlig smal eller bred kilde i nyttige områder fremfor å krympe viktige detaljer til en uleselig stripe.
Produsenten lister flerspråklig samtale på flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Angi utdataspråket, den tiltenkte leseren og terminologien som skal bevares. For en kundestøtteartikkel ber du om en lokalisert forklaring med uendrede produktnavn og en kort liste over usikre oversettelser som skal avklares før publisering.
Lange dokumenter og virksomhetskunnskap
Bruk konteksten til å samle beslektet materiale: regelverk, en spesifikasjon, eksisterende beslutninger og spørsmålet som trenger et svar. Merk hver kilde og revisjonen. En nyttig forespørsel er: «Sammenlign disse tre retningslinjene for introduksjon av nye medarbeidere. Returner en tabell med felles krav, konflikter og ubesvarte spørsmål, med kildeavsnittet for hvert funn.» Det resulterende artefaktet er en sammenligning forankret i de oppgitte utdragene fremfor en generell oppsummering av temaet.
For et dokumentspørsmål identifiserer du ønsket detaljnivå og ber om det underbyggende utdraget ved siden av konklusjonen. Mistrals Document QnA-arbeidsflyt trekker først ut tekst og dokumentstruktur med OCR og bruker deretter en språkmodell til å tolke materialet. Bevar sidetall og overskrifter når du klargjør uttrukket tekst, slik at svaret kan vise tilbake til originalen. En dokument-URL, uttrukket tekst og bildebevis har forskjellige krav til forberedelse; velg inndataformen som støttes av applikasjonen du bruker.
Programmering og daglig assistanse
Mistral posisjonerer Large 3 for programmeringsassistanse så vel som daglig samtale. Gi de relevante funksjonene, forventet atferd og den observerte feilen. For eksempel: «Denne parseren mister det siste feltet når inndataene slutter uten linjeskift. Forklar grenen som feiler, foreslå den minste endringen og returner den korrigerte funksjonen med tre representative eksempler på inndata og utdata.» Det nyttige resultatet er en foreslått endring knyttet til den faktiske koden og et sett med tilfeller utvikleren kan kjøre.
For et forretningsutkast gir du faktaene og ønsket artefakt samlet. En forespørsel om å gjøre møtenotater om til et beslutningsnotat bør navngi beslutningen, alternativene, de uavklarte antakelsene og neste handling. Be modellen holde kildefakta atskilt fra anbefalinger og markere manglende informasjon i det relevante avsnittet. Dette gjør utdataene lettere å revidere enn en udifferensiert fortelling.
Verktøy og strukturerte resultater
Innebygde funksjonskall lar modellen velge en oppgitt funksjon og forberede argumentene. Applikasjonen kjører funksjonen og returnerer resultatet; modellen bruker deretter den returnerte informasjonen i svaret. Hold verktøyene spesifikke og gjør bare dem som trengs for oppgaven, tilgjengelige. En assistent for lagerkontroll kan motta en produktreferanse, be om et lageroppslag og forklare det returnerte antallet og lagerstedet. Valider den valgte funksjonen og argumentene før forespørselen utføres, og bevar verktøysvaret sammen med det endelige svaret.
For uttrekk angir du feltene, typene og behandlingen av manglende verdier. Mistral dokumenterer JSON-modus og tilpassede strukturerte utdata; JSON-modusen krever en eksplisitt instruksjon om å returnere JSON, mens et tilpasset skjema gir sterkere formatkontroll. En fakturaoppsummering kan be om leverandør, fakturanummer, forfallsdato, valuta og fakturalinjer, med konsekvent representasjon av manglende verdier. Undersøk de uttrukne verdiene mot dokumentet, selv når svaret samsvarer med den ønskede strukturen.
Innstillinger og forskjeller mellom utgaver
Definer rollen, oppgaven og verktøyreglene i systeminstruksjonene. Mistral anbefaler en temperatur under 0.1 for produksjon og daglig bruk av dette modellkontrollpunktet, mens høyere verdier kan prøves for kreative oppgaver. Skill en forespørsel om varierte ideer fra en forespørsel om et reproduserbart uttrekk: gi den første rom for alternativer og den andre eksplisitte felter og kildebegrensninger.
Denne instruksjonsutgaven er separat fra Large 3-basiskontrollpunktet og fra dedikerte resonneringsmodeller. Produsenten identifiserer streng resonnering og spesialisert visuelt arbeid som områder der en modell spesielt utviklet for disse oppgavene kan være å foretrekke. For en vanskelig beregning gir du antakelsene og enhetene, ber om mellomkontroller og bruker et tilgjengelig beregningsverktøy til å verifisere resultatet. For tettpakket visuelt bevismateriale klargjør du lesbare områder og sammenligner svaret med kilden før du bruker det i en rapport.
", "aboutText": "Mistral Large 3 2512 er Mistral AIs instruksjonstilpassede utgave for generell samtale, visuell forståelse og virksomhetsarbeid. Den sparsomme mixture-of-experts-arkitekturen har totalt 675 milliarder parametere, hvorav 41 milliarder aktive, og et kontekstvindu på 256k. Tekst og bilder kan bidra til samme oppgave, mens svaret er tekst, kode eller et strukturert resultat.\n\nFunksjoner og forberedelse av inndata\n\nModellen kombinerer en språkkomponent med en visuell koder. Gi et bilde en tydelig rolle: en side som skal leses, et diagram som skal tolkes, eller et skjermbilde som skal forklares. For et tettpakket skjermbilde gir du et utsnitt med de relevante kontrollene og bevarer de omkringliggende etikettene som trengs for å forstå dem. Mistral anbefaler bildeformer nær kvadratiske; del en usedvanlig smal eller bred kilde i nyttige områder fremfor å krympe viktige detaljer til en uleselig stripe.\n\nProdusenten lister flerspråklig samtale på flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Angi utdataspråket, den tiltenkte leseren og terminologien som skal bevares. For en kundestøtteartikkel ber du om en lokalisert forklaring med uendrede produktnavn og en kort liste over usikre oversettelser som skal avklares før publisering.\n\nLange dokumenter og virksomhetskunnskap\n\nBruk konteksten til å samle beslektet materiale: regelverk, en spesifikasjon, eksisterende beslutninger og spørsmålet som trenger et svar. Merk hver kilde og revisjonen. En nyttig forespørsel er: «Sammenlign disse tre retningslinjene for introduksjon av nye medarbeidere. Returner en tabell med felles krav, konflikter og ubesvarte spørsmål, med kildeavsnittet for hvert funn.» Det resulterende artefaktet er en sammenligning forankret i de oppgitte utdragene fremfor en generell oppsummering av temaet.\n\nFor et dokumentspørsmål identifiserer du ønsket detaljnivå og ber om det underbyggende utdraget ved siden av konklusjonen. Mistrals Document QnA-arbeidsflyt trekker først ut tekst og dokumentstruktur med OCR og bruker deretter en språkmodell til å tolke materialet. Bevar sidetall og overskrifter når du klargjør uttrukket tekst, slik at svaret kan vise tilbake til originalen. En dokument-URL, uttrukket tekst og bildebevis har forskjellige krav til forberedelse; velg inndataformen som støttes av applikasjonen du bruker.\n\nProgrammering og daglig assistanse\n\nMistral posisjonerer Large 3 for programmeringsassistanse så vel som daglig samtale. Gi de relevante funksjonene, forventet atferd og den observerte feilen. For eksempel: «Denne parseren mister det siste feltet når inndataene slutter uten linjeskift. Forklar grenen som feiler, foreslå den minste endringen og returner den korrigerte funksjonen med tre representative eksempler på inndata og utdata.» Det nyttige resultatet er en foreslått endring knyttet til den faktiske koden og et sett med tilfeller utvikleren kan kjøre.\n\nFor et forretningsutkast gir du faktaene og ønsket artefakt samlet. En forespørsel om å gjøre møtenotater om til et beslutningsnotat bør navngi beslutningen, alternativene, de uavklarte antakelsene og neste handling. Be modellen holde kildefakta atskilt fra anbefalinger og markere manglende informasjon i det relevante avsnittet. Dette gjør utdataene lettere å revidere enn en udifferensiert fortelling.\n\nVerktøy og strukturerte resultater\n\nInnebygde funksjonskall lar modellen velge en oppgitt funksjon og forberede argumentene. Applikasjonen kjører funksjonen og returnerer resultatet; modellen bruker deretter den returnerte informasjonen i svaret. Hold verktøyene spesifikke og gjør bare dem som trengs for oppgaven, tilgjengelige. En assistent for lagerkontroll kan motta en produktreferanse, be om et lageroppslag og forklare det returnerte antallet og lagerstedet. Valider den valgte funksjonen og argumentene før forespørselen utføres, og bevar verktøysvaret sammen med det endelige svaret.\n\nFor uttrekk angir du feltene, typene og behandlingen av manglende verdier. Mistral dokumenterer JSON-modus og tilpassede strukturerte utdata; JSON-modusen krever en eksplisitt instruksjon om å returnere JSON, mens et tilpasset skjema gir sterkere formatkontroll. En fakturaoppsummering kan be om leverandør, fakturanummer, forfallsdato, valuta og fakturalinjer, med konsekvent representasjon av manglende verdier. Undersøk de uttrukne verdiene mot dokumentet, selv når svaret samsvarer med den ønskede strukturen.\n\nInnstillinger og forskjeller mellom utgaver\n\nDefiner rollen, oppgaven og verktøyreglene i systeminstruksjonene. Mistral anbefaler en temperatur under 0.1 for produksjon og daglig bruk av dette modellkontrollpunktet, mens høyere verdier kan prøves for kreative oppgaver. Skill en forespørsel om varierte ideer fra en forespørsel om et reproduserbart uttrekk: gi den første rom for alternativer og den andre eksplisitte felter og kildebegrensninger.\n\nDenne instruksjonsutgaven er separat fra Large 3-basiskontrollpunktet og fra dedikerte resonneringsmodeller. Produsenten identifiserer streng resonnering og spesialisert visuelt arbeid som områder der en modell spesielt utviklet for disse oppgavene kan være å foretrekke. For en vanskelig beregning gir du antakelsene og enhetene, ber om mellomkontroller og bruker et tilgjengelig beregningsverktøy til å verifisere resultatet. For tettpakket visuelt bevismateriale klargjør du lesbare områder og sammenligner svaret med kilden før du bruker det i en rapport.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral Large 3 2512 er en flerspråklig tekst- og bildemodell for lange dokumenter, virksomhetskunnskap, programmering og verktøystøttet arbeid. Konteksten på 256k, innebygde funksjonskall og strukturerte utdata bidrar til å gjøre oppgitte bevis om til svar, dataposter og foreslåtte handlinger.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Large 3 2512 er Mistral AIs instruksjonstilpassede utgave for generell samtale, visuell forståelse og virksomhetsarbeid. Den sparsomme mixture-of-experts-arkitekturen har totalt 675 milliarder parametere, hvorav 41 milliarder aktive, og et kontekstvindu på 256k. Tekst og bilder kan bidra til samme oppgave, mens svaret er tekst, kode eller et strukturert resultat.
Funksjoner og forberedelse av inndata
Modellen kombinerer en språkkomponent med en visuell koder. Gi et bilde en tydelig rolle: en side som skal leses, et diagram som skal tolkes, eller et skjermbilde som skal forklares. For et tettpakket skjermbilde gir du et utsnitt med de relevante kontrollene og bevarer de omkringliggende etikettene som trengs for å forstå dem. Mistral anbefaler bildeformer nær kvadratiske; del en usedvanlig smal eller bred kilde i nyttige områder fremfor å krympe viktige detaljer til en uleselig stripe.
Produsenten lister flerspråklig samtale på flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Angi utdataspråket, den tiltenkte leseren og terminologien som skal bevares. For en kundestøtteartikkel ber du om en lokalisert forklaring med uendrede produktnavn og en kort liste over usikre oversettelser som skal avklares før publisering.
Lange dokumenter og virksomhetskunnskap
Bruk konteksten til å samle beslektet materiale: regelverk, en spesifikasjon, eksisterende beslutninger og spørsmålet som trenger et svar. Merk hver kilde og revisjonen. En nyttig forespørsel er: «Sammenlign disse tre retningslinjene for introduksjon av nye medarbeidere. Returner en tabell med felles krav, konflikter og ubesvarte spørsmål, med kildeavsnittet for hvert funn.» Det resulterende artefaktet er en sammenligning forankret i de oppgitte utdragene fremfor en generell oppsummering av temaet.
For et dokumentspørsmål identifiserer du ønsket detaljnivå og ber om det underbyggende utdraget ved siden av konklusjonen. Mistrals Document QnA-arbeidsflyt trekker først ut tekst og dokumentstruktur med OCR og bruker deretter en språkmodell til å tolke materialet. Bevar sidetall og overskrifter når du klargjør uttrukket tekst, slik at svaret kan vise tilbake til originalen. En dokument-URL, uttrukket tekst og bildebevis har forskjellige krav til forberedelse; velg inndataformen som støttes av applikasjonen du bruker.
Programmering og daglig assistanse
Mistral posisjonerer Large 3 for programmeringsassistanse så vel som daglig samtale. Gi de relevante funksjonene, forventet atferd og den observerte feilen. For eksempel: «Denne parseren mister det siste feltet når inndataene slutter uten linjeskift. Forklar grenen som feiler, foreslå den minste endringen og returner den korrigerte funksjonen med tre representative eksempler på inndata og utdata.» Det nyttige resultatet er en foreslått endring knyttet til den faktiske koden og et sett med tilfeller utvikleren kan kjøre.
For et forretningsutkast gir du faktaene og ønsket artefakt samlet. En forespørsel om å gjøre møtenotater om til et beslutningsnotat bør navngi beslutningen, alternativene, de uavklarte antakelsene og neste handling. Be modellen holde kildefakta atskilt fra anbefalinger og markere manglende informasjon i det relevante avsnittet. Dette gjør utdataene lettere å revidere enn en udifferensiert fortelling.
Verktøy og strukturerte resultater
Innebygde funksjonskall lar modellen velge en oppgitt funksjon og forberede argumentene. Applikasjonen kjører funksjonen og returnerer resultatet; modellen bruker deretter den returnerte informasjonen i svaret. Hold verktøyene spesifikke og gjør bare dem som trengs for oppgaven, tilgjengelige. En assistent for lagerkontroll kan motta en produktreferanse, be om et lageroppslag og forklare det returnerte antallet og lagerstedet. Valider den valgte funksjonen og argumentene før forespørselen utføres, og bevar verktøysvaret sammen med det endelige svaret.
For uttrekk angir du feltene, typene og behandlingen av manglende verdier. Mistral dokumenterer JSON-modus og tilpassede strukturerte utdata; JSON-modusen krever en eksplisitt instruksjon om å returnere JSON, mens et tilpasset skjema gir sterkere formatkontroll. En fakturaoppsummering kan be om leverandør, fakturanummer, forfallsdato, valuta og fakturalinjer, med konsekvent representasjon av manglende verdier. Undersøk de uttrukne verdiene mot dokumentet, selv når svaret samsvarer med den ønskede strukturen.
Innstillinger og forskjeller mellom utgaver
Definer rollen, oppgaven og verktøyreglene i systeminstruksjonene. Mistral anbefaler en temperatur under 0.1 for produksjon og daglig bruk av dette modellkontrollpunktet, mens høyere verdier kan prøves for kreative oppgaver. Skill en forespørsel om varierte ideer fra en forespørsel om et reproduserbart uttrekk: gi den første rom for alternativer og den andre eksplisitte felter og kildebegrensninger.
Denne instruksjonsutgaven er separat fra Large 3-basiskontrollpunktet og fra dedikerte resonneringsmodeller. Produsenten identifiserer streng resonnering og spesialisert visuelt arbeid som områder der en modell spesielt utviklet for disse oppgavene kan være å foretrekke. For en vanskelig beregning gir du antakelsene og enhetene, ber om mellomkontroller og bruker et tilgjengelig beregningsverktøy til å verifisere resultatet. For tettpakket visuelt bevismateriale klargjør du lesbare områder og sammenligner svaret med kilden før du bruker det i en rapport.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-large-2512 | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0022 / 1K tokener Utdata · Utgående tokener $0.0066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0022 / 1K tokener Utdata · Utgående tokener $0.0066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 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": "mistralai/mistral-large-2512", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-2512',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-2512',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 mistralai/mistral-large-2512
Bruk metodestiene som vises ovenfor.
mistralai/mistral-large-2512Mistral Large 3 2512 er en flerspråklig tekst- og bildemodell for lange dokumenter, virksomhetskunnskap, programmering og verktøystøttet arbeid. Konteksten på 256k, innebygde funksjonskall og strukturerte utdata bidrar til å gjøre oppgitte bevis om til svar, dataposter og foreslåtte handlinger.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Large 3 2512 er Mistral AIs instruksjonstilpassede utgave for generell samtale, visuell forståelse og virksomhetsarbeid. Den sparsomme mixture-of-experts-arkitekturen har totalt 675 milliarder parametere, hvorav 41 milliarder aktive, og et kontekstvindu på 256k. Tekst og bilder kan bidra til samme oppgave, mens svaret er tekst, kode eller et strukturert resultat.
Funksjoner og forberedelse av inndata
Modellen kombinerer en språkkomponent med en visuell koder. Gi et bilde en tydelig rolle: en side som skal leses, et diagram som skal tolkes, eller et skjermbilde som skal forklares. For et tettpakket skjermbilde gir du et utsnitt med de relevante kontrollene og bevarer de omkringliggende etikettene som trengs for å forstå dem. Mistral anbefaler bildeformer nær kvadratiske; del en usedvanlig smal eller bred kilde i nyttige områder fremfor å krympe viktige detaljer til en uleselig stripe.
Produsenten lister flerspråklig samtale på flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Angi utdataspråket, den tiltenkte leseren og terminologien som skal bevares. For en kundestøtteartikkel ber du om en lokalisert forklaring med uendrede produktnavn og en kort liste over usikre oversettelser som skal avklares før publisering.
Lange dokumenter og virksomhetskunnskap
Bruk konteksten til å samle beslektet materiale: regelverk, en spesifikasjon, eksisterende beslutninger og spørsmålet som trenger et svar. Merk hver kilde og revisjonen. En nyttig forespørsel er: «Sammenlign disse tre retningslinjene for introduksjon av nye medarbeidere. Returner en tabell med felles krav, konflikter og ubesvarte spørsmål, med kildeavsnittet for hvert funn.» Det resulterende artefaktet er en sammenligning forankret i de oppgitte utdragene fremfor en generell oppsummering av temaet.
For et dokumentspørsmål identifiserer du ønsket detaljnivå og ber om det underbyggende utdraget ved siden av konklusjonen. Mistrals Document QnA-arbeidsflyt trekker først ut tekst og dokumentstruktur med OCR og bruker deretter en språkmodell til å tolke materialet. Bevar sidetall og overskrifter når du klargjør uttrukket tekst, slik at svaret kan vise tilbake til originalen. En dokument-URL, uttrukket tekst og bildebevis har forskjellige krav til forberedelse; velg inndataformen som støttes av applikasjonen du bruker.
Programmering og daglig assistanse
Mistral posisjonerer Large 3 for programmeringsassistanse så vel som daglig samtale. Gi de relevante funksjonene, forventet atferd og den observerte feilen. For eksempel: «Denne parseren mister det siste feltet når inndataene slutter uten linjeskift. Forklar grenen som feiler, foreslå den minste endringen og returner den korrigerte funksjonen med tre representative eksempler på inndata og utdata.» Det nyttige resultatet er en foreslått endring knyttet til den faktiske koden og et sett med tilfeller utvikleren kan kjøre.
For et forretningsutkast gir du faktaene og ønsket artefakt samlet. En forespørsel om å gjøre møtenotater om til et beslutningsnotat bør navngi beslutningen, alternativene, de uavklarte antakelsene og neste handling. Be modellen holde kildefakta atskilt fra anbefalinger og markere manglende informasjon i det relevante avsnittet. Dette gjør utdataene lettere å revidere enn en udifferensiert fortelling.
Verktøy og strukturerte resultater
Innebygde funksjonskall lar modellen velge en oppgitt funksjon og forberede argumentene. Applikasjonen kjører funksjonen og returnerer resultatet; modellen bruker deretter den returnerte informasjonen i svaret. Hold verktøyene spesifikke og gjør bare dem som trengs for oppgaven, tilgjengelige. En assistent for lagerkontroll kan motta en produktreferanse, be om et lageroppslag og forklare det returnerte antallet og lagerstedet. Valider den valgte funksjonen og argumentene før forespørselen utføres, og bevar verktøysvaret sammen med det endelige svaret.
For uttrekk angir du feltene, typene og behandlingen av manglende verdier. Mistral dokumenterer JSON-modus og tilpassede strukturerte utdata; JSON-modusen krever en eksplisitt instruksjon om å returnere JSON, mens et tilpasset skjema gir sterkere formatkontroll. En fakturaoppsummering kan be om leverandør, fakturanummer, forfallsdato, valuta og fakturalinjer, med konsekvent representasjon av manglende verdier. Undersøk de uttrukne verdiene mot dokumentet, selv når svaret samsvarer med den ønskede strukturen.
Innstillinger og forskjeller mellom utgaver
Definer rollen, oppgaven og verktøyreglene i systeminstruksjonene. Mistral anbefaler en temperatur under 0.1 for produksjon og daglig bruk av dette modellkontrollpunktet, mens høyere verdier kan prøves for kreative oppgaver. Skill en forespørsel om varierte ideer fra en forespørsel om et reproduserbart uttrekk: gi den første rom for alternativer og den andre eksplisitte felter og kildebegrensninger.
Denne instruksjonsutgaven er separat fra Large 3-basiskontrollpunktet og fra dedikerte resonneringsmodeller. Produsenten identifiserer streng resonnering og spesialisert visuelt arbeid som områder der en modell spesielt utviklet for disse oppgavene kan være å foretrekke. For en vanskelig beregning gir du antakelsene og enhetene, ber om mellomkontroller og bruker et tilgjengelig beregningsverktøy til å verifisere resultatet. For tettpakket visuelt bevismateriale klargjør du lesbare områder og sammenligner svaret med kilden før du bruker det i en rapport.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-large-2512 | 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.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0022 / 1K tokener Utdata · Utgående tokener $0.0066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0022 / 1K tokener Utdata · Utgående tokener $0.0066 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.0001 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2512', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2512', '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 mistralai/mistral-large-2512
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.