Mistral Large 4 er Mistral AIs allsidige multimodale modell som kombinerer instruksjonsfølging, resonnering, programmering og agentarbeid. Den tar imot tekst og bilder og produserer tekst, blant annet forklaringer, kode og strukturerte felter. Den finkornede mixture-of-experts-arkitekturen bruker utvalgte komponenter for hver token fremfor å aktivere hele parametersettet samtidig.
Arkitektur og kontekst
Den aktuelle modellsiden oppgir totalt 1,05 billioner parametere, 52 milliarder aktive parametere og en visuell koder med 1,6 milliarder parametere. Produsentens utgivelsesside presiserer tellekonvensjonen: 49 milliarder aktive parametere per token, eller 52 milliarder medregnet embeddings og utdatalag. Disse tallene beskriver modellens struktur, ikke lengden på et svar.
Produsenten dokumenterer et kontekstvindu på én million tokener. Bruk det til å samle omfattende kildemateriale, samtalen og instruksjonene, samtidig som du definerer formålet med det endelige artefaktet. For et spørsmål som gjelder flere dokumenter, identifiserer du hvert dokument og rollen det har, og ber om kildeplasseringen ved hvert funn. En stor kontekst er nyttig når krav, diagrammer og relaterte forklaringer må vurderes samlet.
Strukturerte svar og dokumentspørsmål
Modellkortet lister strukturerte utdata, funksjonskall, dokumentbasert spørsmålssvar, svarprefikser, satsvis innsending og agentsamtaler. Mistrals dokumentasjon om strukturerte utdata skiller JSON-modus fra et tilpasset skjema. Angi ønsket JSON-format i prompten; bruk et definert skjema når det tilknyttede grensesnittet trenger en bestemt feltstruktur. En datapost kan skille kildefakta, tolkninger og åpne spørsmål i stedet for å kombinere dem i ett avsnitt.
Dokumentbasert spørsmålssvar er en arbeidsflyt som kombinerer dokumentbehandling med språkmodellforståelse. OCR klargjør teksten, strukturen og formateringen, og deretter svarer modellen på et spørsmål om materialet. En forespørsel kan finne et krav, sammenligne utsagn på tvers av dokumenter eller oppsummere bevisene som er relevante for en beslutning. Direkte bildeforståelse og en OCR-støttet dokumentflyt er beslektede måter å klargjøre bevis på; et dokumentbehandlingssteg forblir forskjellig fra bildeinndata.
Gi for eksempel en teknisk spesifikasjon og tegninger, identifiser revisjonen som vurderes, og be om en kravmatrise. Hver rad kan inneholde kravet, dokumentet eller tegningen som underbygger det, den observerte forskjellen og avklaringen som fortsatt trengs. Bevar etiketter, enheter og bildeområder som bestemmer sammenligningen, slik at resultatet forblir knyttet til kildematerialet.
Programmering, agenter og visuell resonnering
Utgivelsen beskriver cybersikkerhetsanalyse, programvareutvikling, forståelse av kodearkiver og terminalorienterte arbeidsflyter. For en defensiv kodegjennomgang gir du det relevante kodeforløpet, forventet atferd og bevis på feilen. Be om årsaken, en foreslått rettelse og eksempler som skiller den gamle atferden fra den tiltenkte. For et spørsmål om et kodearkiv inkluderer du modulene og kallrelasjonene som trengs for å forklare den valgte atferden.
Funksjonskall knytter resonnering til verktøy som applikasjonen stiller til rådighet. Produsentens sekvens definerer funksjonene, gir brukerens spørsmål, lar modellen forberede argumenter, utfører den valgte funksjonen i applikasjonen og returnerer resultatet for neste svar. Et foreslått kall er forskjellig fra utførelse. Modellkortet lister også innebygde verktøy i produsentens agent-/samtalegrensesnitt; de tilhører denne tilknyttede arbeidsflyten og legger ikke til en ny inndata- eller utdatamodalitet i modellen.
Visuell forståelse omfatter dokumenter, diagrammer, naturlige scener og tekniske tegninger. En tegningsoppgave kan spørre hvilken merket komponent som oppfyller et oppgitt krav, hvilket mål eller hvilken merknad som underbygger funnet, og hvilket område som trenger nærmere undersøkelse. Utgivelsens eksempler på visuelle agenter kombinerer tolkning med undersøkelsessteg; zooming, gjenfinning og andre handlinger trenger det omkringliggende verktøymiljøet.
Vitenskap, matematikk og profesjonelle leveranser
Produsenten beskriver vitenskapelig programmering, dataanalyse, modellering og matematisk resonnering blant de tiltenkte bruksområdene. Gi ligningene, antakelsene, enhetene og ønsket resultatform. En forespørsel om vitenskapelig programmering kan be om en implementasjon, betydningen av hver variabel og en plan for å sammenligne utdataene med referansebetingelser. Å produsere implementasjonen er et tekstresultat; å kjøre simuleringen eller opprette en fil krever applikasjonsmiljøet.
For profesjonelt dokumentarbeid gir du kilderapportene og definerer artefaktet: en sammenligningstabell, forklaring, revidert passasje eller regnearkinnhold. Angi beregningsgrunnlaget og bevar plasseringene til dokumentene som underbygger det. Utgivelsen beskriver også flerspråklig trening på mer enn 160 språk, inkludert alle offisielle EU-språk; identifiser ønsket utdataspråk og terminologi når du forbereder en flerspråklig oppgave.
Nyttige avgrensninger
De dokumenterte modalitetene er tekst- og bildeinndata med tekstutdata. Produsentens kontekst på én million tokener er ikke en separat spesifikasjon for maksimal svarlengde, og de leste kildene fastslår ikke en uavhengig absolutt utdatagrense for denne oppføringen. Hold den konkrete Large 4-utgaven, de klargjorte bevisene og de tilknyttede verktøyene eksplisitte. En strukturert datapost, forklaring eller foreslått handling er mest nyttig når feltene, de underbyggende kildene og neste steg i applikasjonen er definert før forespørselen.
", "aboutText": "Mistral Large 4 er Mistral AIs allsidige multimodale modell som kombinerer instruksjonsfølging, resonnering, programmering og agentarbeid. Den tar imot tekst og bilder og produserer tekst, blant annet forklaringer, kode og strukturerte felter. Den finkornede mixture-of-experts-arkitekturen bruker utvalgte komponenter for hver token fremfor å aktivere hele parametersettet samtidig.\n\nArkitektur og kontekst\n\nDen aktuelle modellsiden oppgir totalt 1,05 billioner parametere, 52 milliarder aktive parametere og en visuell koder med 1,6 milliarder parametere. Produsentens utgivelsesside presiserer tellekonvensjonen: 49 milliarder aktive parametere per token, eller 52 milliarder medregnet embeddings og utdatalag. Disse tallene beskriver modellens struktur, ikke lengden på et svar.\n\nProdusenten dokumenterer et kontekstvindu på én million tokener. Bruk det til å samle omfattende kildemateriale, samtalen og instruksjonene, samtidig som du definerer formålet med det endelige artefaktet. For et spørsmål som gjelder flere dokumenter, identifiserer du hvert dokument og rollen det har, og ber om kildeplasseringen ved hvert funn. En stor kontekst er nyttig når krav, diagrammer og relaterte forklaringer må vurderes samlet.\n\nStrukturerte svar og dokumentspørsmål\n\nModellkortet lister strukturerte utdata, funksjonskall, dokumentbasert spørsmålssvar, svarprefikser, satsvis innsending og agentsamtaler. Mistrals dokumentasjon om strukturerte utdata skiller JSON-modus fra et tilpasset skjema. Angi ønsket JSON-format i prompten; bruk et definert skjema når det tilknyttede grensesnittet trenger en bestemt feltstruktur. En datapost kan skille kildefakta, tolkninger og åpne spørsmål i stedet for å kombinere dem i ett avsnitt.\n\nDokumentbasert spørsmålssvar er en arbeidsflyt som kombinerer dokumentbehandling med språkmodellforståelse. OCR klargjør teksten, strukturen og formateringen, og deretter svarer modellen på et spørsmål om materialet. En forespørsel kan finne et krav, sammenligne utsagn på tvers av dokumenter eller oppsummere bevisene som er relevante for en beslutning. Direkte bildeforståelse og en OCR-støttet dokumentflyt er beslektede måter å klargjøre bevis på; et dokumentbehandlingssteg forblir forskjellig fra bildeinndata.\n\nGi for eksempel en teknisk spesifikasjon og tegninger, identifiser revisjonen som vurderes, og be om en kravmatrise. Hver rad kan inneholde kravet, dokumentet eller tegningen som underbygger det, den observerte forskjellen og avklaringen som fortsatt trengs. Bevar etiketter, enheter og bildeområder som bestemmer sammenligningen, slik at resultatet forblir knyttet til kildematerialet.\n\nProgrammering, agenter og visuell resonnering\n\nUtgivelsen beskriver cybersikkerhetsanalyse, programvareutvikling, forståelse av kodearkiver og terminalorienterte arbeidsflyter. For en defensiv kodegjennomgang gir du det relevante kodeforløpet, forventet atferd og bevis på feilen. Be om årsaken, en foreslått rettelse og eksempler som skiller den gamle atferden fra den tiltenkte. For et spørsmål om et kodearkiv inkluderer du modulene og kallrelasjonene som trengs for å forklare den valgte atferden.\n\nFunksjonskall knytter resonnering til verktøy som applikasjonen stiller til rådighet. Produsentens sekvens definerer funksjonene, gir brukerens spørsmål, lar modellen forberede argumenter, utfører den valgte funksjonen i applikasjonen og returnerer resultatet for neste svar. Et foreslått kall er forskjellig fra utførelse. Modellkortet lister også innebygde verktøy i produsentens agent-/samtalegrensesnitt; de tilhører denne tilknyttede arbeidsflyten og legger ikke til en ny inndata- eller utdatamodalitet i modellen.\n\nVisuell forståelse omfatter dokumenter, diagrammer, naturlige scener og tekniske tegninger. En tegningsoppgave kan spørre hvilken merket komponent som oppfyller et oppgitt krav, hvilket mål eller hvilken merknad som underbygger funnet, og hvilket område som trenger nærmere undersøkelse. Utgivelsens eksempler på visuelle agenter kombinerer tolkning med undersøkelsessteg; zooming, gjenfinning og andre handlinger trenger det omkringliggende verktøymiljøet.\n\nVitenskap, matematikk og profesjonelle leveranser\n\nProdusenten beskriver vitenskapelig programmering, dataanalyse, modellering og matematisk resonnering blant de tiltenkte bruksområdene. Gi ligningene, antakelsene, enhetene og ønsket resultatform. En forespørsel om vitenskapelig programmering kan be om en implementasjon, betydningen av hver variabel og en plan for å sammenligne utdataene med referansebetingelser. Å produsere implementasjonen er et tekstresultat; å kjøre simuleringen eller opprette en fil krever applikasjonsmiljøet.\n\nFor profesjonelt dokumentarbeid gir du kilderapportene og definerer artefaktet: en sammenligningstabell, forklaring, revidert passasje eller regnearkinnhold. Angi beregningsgrunnlaget og bevar plasseringene til dokumentene som underbygger det. Utgivelsen beskriver også flerspråklig trening på mer enn 160 språk, inkludert alle offisielle EU-språk; identifiser ønsket utdataspråk og terminologi når du forbereder en flerspråklig oppgave.\n\nNyttige avgrensninger\n\nDe dokumenterte modalitetene er tekst- og bildeinndata med tekstutdata. Produsentens kontekst på én million tokener er ikke en separat spesifikasjon for maksimal svarlengde, og de leste kildene fastslår ikke en uavhengig absolutt utdatagrense for denne oppføringen. Hold den konkrete Large 4-utgaven, de klargjorte bevisene og de tilknyttede verktøyene eksplisitte. En strukturert datapost, forklaring eller foreslått handling er mest nyttig når feltene, de underbyggende kildene og neste steg i applikasjonen er definert før forespørselen.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 er en tekst- og bildemodell for resonnering, programmering, dokumentanalyse og verktøydrevne agenter. Konteksten på én million tokener ifølge produsenten støtter omfattende kildesamlinger, med strukturerte svar, funksjonskall og en finkornet mixture-of-experts-arkitektur.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Large 4 er Mistral AIs allsidige multimodale modell som kombinerer instruksjonsfølging, resonnering, programmering og agentarbeid. Den tar imot tekst og bilder og produserer tekst, blant annet forklaringer, kode og strukturerte felter. Den finkornede mixture-of-experts-arkitekturen bruker utvalgte komponenter for hver token fremfor å aktivere hele parametersettet samtidig.
Arkitektur og kontekst
Den aktuelle modellsiden oppgir totalt 1,05 billioner parametere, 52 milliarder aktive parametere og en visuell koder med 1,6 milliarder parametere. Produsentens utgivelsesside presiserer tellekonvensjonen: 49 milliarder aktive parametere per token, eller 52 milliarder medregnet embeddings og utdatalag. Disse tallene beskriver modellens struktur, ikke lengden på et svar.
Produsenten dokumenterer et kontekstvindu på én million tokener. Bruk det til å samle omfattende kildemateriale, samtalen og instruksjonene, samtidig som du definerer formålet med det endelige artefaktet. For et spørsmål som gjelder flere dokumenter, identifiserer du hvert dokument og rollen det har, og ber om kildeplasseringen ved hvert funn. En stor kontekst er nyttig når krav, diagrammer og relaterte forklaringer må vurderes samlet.
Strukturerte svar og dokumentspørsmål
Modellkortet lister strukturerte utdata, funksjonskall, dokumentbasert spørsmålssvar, svarprefikser, satsvis innsending og agentsamtaler. Mistrals dokumentasjon om strukturerte utdata skiller JSON-modus fra et tilpasset skjema. Angi ønsket JSON-format i prompten; bruk et definert skjema når det tilknyttede grensesnittet trenger en bestemt feltstruktur. En datapost kan skille kildefakta, tolkninger og åpne spørsmål i stedet for å kombinere dem i ett avsnitt.
Dokumentbasert spørsmålssvar er en arbeidsflyt som kombinerer dokumentbehandling med språkmodellforståelse. OCR klargjør teksten, strukturen og formateringen, og deretter svarer modellen på et spørsmål om materialet. En forespørsel kan finne et krav, sammenligne utsagn på tvers av dokumenter eller oppsummere bevisene som er relevante for en beslutning. Direkte bildeforståelse og en OCR-støttet dokumentflyt er beslektede måter å klargjøre bevis på; et dokumentbehandlingssteg forblir forskjellig fra bildeinndata.
Gi for eksempel en teknisk spesifikasjon og tegninger, identifiser revisjonen som vurderes, og be om en kravmatrise. Hver rad kan inneholde kravet, dokumentet eller tegningen som underbygger det, den observerte forskjellen og avklaringen som fortsatt trengs. Bevar etiketter, enheter og bildeområder som bestemmer sammenligningen, slik at resultatet forblir knyttet til kildematerialet.
Programmering, agenter og visuell resonnering
Utgivelsen beskriver cybersikkerhetsanalyse, programvareutvikling, forståelse av kodearkiver og terminalorienterte arbeidsflyter. For en defensiv kodegjennomgang gir du det relevante kodeforløpet, forventet atferd og bevis på feilen. Be om årsaken, en foreslått rettelse og eksempler som skiller den gamle atferden fra den tiltenkte. For et spørsmål om et kodearkiv inkluderer du modulene og kallrelasjonene som trengs for å forklare den valgte atferden.
Funksjonskall knytter resonnering til verktøy som applikasjonen stiller til rådighet. Produsentens sekvens definerer funksjonene, gir brukerens spørsmål, lar modellen forberede argumenter, utfører den valgte funksjonen i applikasjonen og returnerer resultatet for neste svar. Et foreslått kall er forskjellig fra utførelse. Modellkortet lister også innebygde verktøy i produsentens agent-/samtalegrensesnitt; de tilhører denne tilknyttede arbeidsflyten og legger ikke til en ny inndata- eller utdatamodalitet i modellen.
Visuell forståelse omfatter dokumenter, diagrammer, naturlige scener og tekniske tegninger. En tegningsoppgave kan spørre hvilken merket komponent som oppfyller et oppgitt krav, hvilket mål eller hvilken merknad som underbygger funnet, og hvilket område som trenger nærmere undersøkelse. Utgivelsens eksempler på visuelle agenter kombinerer tolkning med undersøkelsessteg; zooming, gjenfinning og andre handlinger trenger det omkringliggende verktøymiljøet.
Vitenskap, matematikk og profesjonelle leveranser
Produsenten beskriver vitenskapelig programmering, dataanalyse, modellering og matematisk resonnering blant de tiltenkte bruksområdene. Gi ligningene, antakelsene, enhetene og ønsket resultatform. En forespørsel om vitenskapelig programmering kan be om en implementasjon, betydningen av hver variabel og en plan for å sammenligne utdataene med referansebetingelser. Å produsere implementasjonen er et tekstresultat; å kjøre simuleringen eller opprette en fil krever applikasjonsmiljøet.
For profesjonelt dokumentarbeid gir du kilderapportene og definerer artefaktet: en sammenligningstabell, forklaring, revidert passasje eller regnearkinnhold. Angi beregningsgrunnlaget og bevar plasseringene til dokumentene som underbygger det. Utgivelsen beskriver også flerspråklig trening på mer enn 160 språk, inkludert alle offisielle EU-språk; identifiser ønsket utdataspråk og terminologi når du forbereder en flerspråklig oppgave.
Nyttige avgrensninger
De dokumenterte modalitetene er tekst- og bildeinndata med tekstutdata. Produsentens kontekst på én million tokener er ikke en separat spesifikasjon for maksimal svarlengde, og de leste kildene fastslår ikke en uavhengig absolutt utdatagrense for denne oppføringen. Hold den konkrete Large 4-utgaven, de klargjorte bevisene og de tilknyttede verktøyene eksplisitte. En strukturert datapost, forklaring eller foreslått handling er mest nyttig når feltene, de underbyggende kildene og neste steg i applikasjonen er definert før forespørselen.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokener Utdata · Utgående tokener $0.00836 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00028 / 1K tokener Inndata · Skriving til hurtigbuffer — / 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 $0.00272 / 1K tokener Utdata · Utgående tokener $0.00836 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00028 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-4-0", "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-4-0',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-4-0',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-4-0
Bruk metodestiene som vises ovenfor.
mistralai/mistral-large-4-0Mistral Large 4 er en tekst- og bildemodell for resonnering, programmering, dokumentanalyse og verktøydrevne agenter. Konteksten på én million tokener ifølge produsenten støtter omfattende kildesamlinger, med strukturerte svar, funksjonskall og en finkornet mixture-of-experts-arkitektur.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Large 4 er Mistral AIs allsidige multimodale modell som kombinerer instruksjonsfølging, resonnering, programmering og agentarbeid. Den tar imot tekst og bilder og produserer tekst, blant annet forklaringer, kode og strukturerte felter. Den finkornede mixture-of-experts-arkitekturen bruker utvalgte komponenter for hver token fremfor å aktivere hele parametersettet samtidig.
Arkitektur og kontekst
Den aktuelle modellsiden oppgir totalt 1,05 billioner parametere, 52 milliarder aktive parametere og en visuell koder med 1,6 milliarder parametere. Produsentens utgivelsesside presiserer tellekonvensjonen: 49 milliarder aktive parametere per token, eller 52 milliarder medregnet embeddings og utdatalag. Disse tallene beskriver modellens struktur, ikke lengden på et svar.
Produsenten dokumenterer et kontekstvindu på én million tokener. Bruk det til å samle omfattende kildemateriale, samtalen og instruksjonene, samtidig som du definerer formålet med det endelige artefaktet. For et spørsmål som gjelder flere dokumenter, identifiserer du hvert dokument og rollen det har, og ber om kildeplasseringen ved hvert funn. En stor kontekst er nyttig når krav, diagrammer og relaterte forklaringer må vurderes samlet.
Strukturerte svar og dokumentspørsmål
Modellkortet lister strukturerte utdata, funksjonskall, dokumentbasert spørsmålssvar, svarprefikser, satsvis innsending og agentsamtaler. Mistrals dokumentasjon om strukturerte utdata skiller JSON-modus fra et tilpasset skjema. Angi ønsket JSON-format i prompten; bruk et definert skjema når det tilknyttede grensesnittet trenger en bestemt feltstruktur. En datapost kan skille kildefakta, tolkninger og åpne spørsmål i stedet for å kombinere dem i ett avsnitt.
Dokumentbasert spørsmålssvar er en arbeidsflyt som kombinerer dokumentbehandling med språkmodellforståelse. OCR klargjør teksten, strukturen og formateringen, og deretter svarer modellen på et spørsmål om materialet. En forespørsel kan finne et krav, sammenligne utsagn på tvers av dokumenter eller oppsummere bevisene som er relevante for en beslutning. Direkte bildeforståelse og en OCR-støttet dokumentflyt er beslektede måter å klargjøre bevis på; et dokumentbehandlingssteg forblir forskjellig fra bildeinndata.
Gi for eksempel en teknisk spesifikasjon og tegninger, identifiser revisjonen som vurderes, og be om en kravmatrise. Hver rad kan inneholde kravet, dokumentet eller tegningen som underbygger det, den observerte forskjellen og avklaringen som fortsatt trengs. Bevar etiketter, enheter og bildeområder som bestemmer sammenligningen, slik at resultatet forblir knyttet til kildematerialet.
Programmering, agenter og visuell resonnering
Utgivelsen beskriver cybersikkerhetsanalyse, programvareutvikling, forståelse av kodearkiver og terminalorienterte arbeidsflyter. For en defensiv kodegjennomgang gir du det relevante kodeforløpet, forventet atferd og bevis på feilen. Be om årsaken, en foreslått rettelse og eksempler som skiller den gamle atferden fra den tiltenkte. For et spørsmål om et kodearkiv inkluderer du modulene og kallrelasjonene som trengs for å forklare den valgte atferden.
Funksjonskall knytter resonnering til verktøy som applikasjonen stiller til rådighet. Produsentens sekvens definerer funksjonene, gir brukerens spørsmål, lar modellen forberede argumenter, utfører den valgte funksjonen i applikasjonen og returnerer resultatet for neste svar. Et foreslått kall er forskjellig fra utførelse. Modellkortet lister også innebygde verktøy i produsentens agent-/samtalegrensesnitt; de tilhører denne tilknyttede arbeidsflyten og legger ikke til en ny inndata- eller utdatamodalitet i modellen.
Visuell forståelse omfatter dokumenter, diagrammer, naturlige scener og tekniske tegninger. En tegningsoppgave kan spørre hvilken merket komponent som oppfyller et oppgitt krav, hvilket mål eller hvilken merknad som underbygger funnet, og hvilket område som trenger nærmere undersøkelse. Utgivelsens eksempler på visuelle agenter kombinerer tolkning med undersøkelsessteg; zooming, gjenfinning og andre handlinger trenger det omkringliggende verktøymiljøet.
Vitenskap, matematikk og profesjonelle leveranser
Produsenten beskriver vitenskapelig programmering, dataanalyse, modellering og matematisk resonnering blant de tiltenkte bruksområdene. Gi ligningene, antakelsene, enhetene og ønsket resultatform. En forespørsel om vitenskapelig programmering kan be om en implementasjon, betydningen av hver variabel og en plan for å sammenligne utdataene med referansebetingelser. Å produsere implementasjonen er et tekstresultat; å kjøre simuleringen eller opprette en fil krever applikasjonsmiljøet.
For profesjonelt dokumentarbeid gir du kilderapportene og definerer artefaktet: en sammenligningstabell, forklaring, revidert passasje eller regnearkinnhold. Angi beregningsgrunnlaget og bevar plasseringene til dokumentene som underbygger det. Utgivelsen beskriver også flerspråklig trening på mer enn 160 språk, inkludert alle offisielle EU-språk; identifiser ønsket utdataspråk og terminologi når du forbereder en flerspråklig oppgave.
Nyttige avgrensninger
De dokumenterte modalitetene er tekst- og bildeinndata med tekstutdata. Produsentens kontekst på én million tokener er ikke en separat spesifikasjon for maksimal svarlengde, og de leste kildene fastslår ikke en uavhengig absolutt utdatagrense for denne oppføringen. Hold den konkrete Large 4-utgaven, de klargjorte bevisene og de tilknyttede verktøyene eksplisitte. En strukturert datapost, forklaring eller foreslått handling er mest nyttig når feltene, de underbyggende kildene og neste steg i applikasjonen er definert før forespørselen.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokener Utdata · Utgående tokener $0.00836 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00028 / 1K tokener Inndata · Skriving til hurtigbuffer — / 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 $0.00272 / 1K tokener Utdata · Utgående tokener $0.00836 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00028 / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-0', '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-4-0', '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-4-0
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.