Mistral Medium 3.5 er Mistral AIs tette modell med 128 milliarder parametere som kombinerer instruksjonsfølging, resonnering og programmering i ett sett med vekter. Den mottar tekst og bilder og returnerer tekst. Produsenten posisjonerer den for agent- og programmeringsoppgaver, mens det samme modellkontrollpunktet kan gi et direkte samtalesvar eller bruke den dokumenterte resonneringsmodusen for en mer omfattende oppgave.
Samlet modell og visuelle funksjoner
Det utgitte modellkortet angir 128 milliarder tette parametere og et kontekstvindu på 256k. Den visuelle koderen er trent for å håndtere forskjellige bildestørrelser og sideforhold. Bilder kan bidra med bevis til en programmerings- eller dokumentoppgave: et skjermbilde av et grensesnitt, et diagram som følger et krav, eller en side med informasjon modellen må tolke. Resultatet kan være en skriftlig forklaring, kode eller strukturerte felter fremfor et generert bilde.
Produsenten beskriver flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Den fremhever også at modellen følger systeminstruksjoner, og innebygde funksjonskall med JSON-utdata. Angi målgruppen, språket og svarreglene separat fra materialet som undersøkes, slik at ordlyden i et kildedokument forblir bevisgrunnlag for oppgaven.
Resonneringsinnstillinger
Modellkortet dokumenterer to verdier for resonneringsinnsats per forespørsel. Verdien none gir et instruksjonsbasert svar uten resonneringsmodus; high aktiverer resonnering og anbefales for komplekse prompter og agentbasert programmering. Dette er et modusvalg innenfor samme Medium 3.5-kontrollpunkt, ikke en annen modellidentitet.
For høy resonneringsinnsats anbefaler produsenten temperatur 0.7 og top-p 0.95. For none dokumenterer den temperaturer mellom 0.0 og 0.7 avhengig av oppgaven, og lar top-p være udefinert eller satt til 1.0. Dette er anbefalinger for utgivelsen. Velg formålet med utdataene først: et kortfattet feltuttrekk, en kodeendring med forklaring eller en sammenligning som krever flere begrunnede beslutninger.
En praktisk resonneringsoppgave kan oppgi et krav, implementasjonen og inndataene som avdekker et avvik. Be modellen identifisere det relevante forløpet, forklare avviket og foreslå den minste endringen som bevarer det offentlige grensesnittet. Be om den reviderte koden separat fra antakelsene og eksemplene. Modellen genererer et forslag; kompilering, kjøring og bruk av det krever utviklingsmiljøet som er koblet til agenten.
Verktøy, dokumenter og forutsigbare redigeringer
Produsentens tjenestekort lister også strukturerte utdata, forhåndsangitte utdata, dokumentspørsmål, svarprefikser, satsvis behandling og agentsamtaler. For uttrekk definerer du feltnavn, typer og behandling av manglende verdier. JSON-modus gir en strukturert representasjon, mens et tilpasset skjema definerer en mer spesifikk form i det tilknyttede grensesnittet. Be bare om dataposten når et program skal tolke den, og om en separat forklaring når et menneske trenger å undersøke tolkningen.
Dokumentbasert spørsmålssvar kombinerer tekst og struktur klargjort med OCR med språkmodellforståelse. For en sammenligning identifiserer du dokumentene og betingelsen som skal vurderes, og ber deretter om hvert funn med kildeplasseringen. Nyttige utdata kan skille felles krav, uenigheter og åpne spørsmål. Direkte bildespørsmål kan fokusere på en diagrametikett eller et grensesnittelement; å bevare overskrifter, enheter og bilderoller bidrar til å holde svaret knyttet til det oppgitte materialet.
Forhåndsangitte utdata er dokumentert for oppgaver der mye av det ønskede svaret allerede er kjent, for eksempel ny generering av en kodefil eller et dokument med avgrensede redigeringer. Gi det eksisterende innholdet og identifiser den spesifikke endringen, samtidig som delene som skal beholdes, bevares. Dette skiller seg fra å be om et helt nytt artefakt eller fortsette fra et kjent svarprefiks. Tjenestefunksjonene beskriver alternativer for innsending og formatering; de endrer ikke modellens tekst- og bildeinndata eller tekstutdata.
I en verktøystøttet arbeidsflyt oppgir applikasjonen funksjonsbeskrivelser og parametere, modellen velger en funksjon og forbereder argumenter, og applikasjonen utfører den og returnerer resultatet. Et beregningsverktøy kan motta verdier lest fra et oppgitt bilde, mens et oppslagsverktøy kan gi den manglende informasjonen til neste svar. Hold verktøyresultatet knyttet til operasjonen som produserte det. Agentbasert resonnering avhenger av dette miljøet og ikke av at tekstgenerering alene utfører eksterne handlinger.
Forberedelse av lange økter
Bruk konteksten på 256k til relatert kildekode, dokumenter og samtalehistorikk, og hold det faktiske målet eksplisitt. En programmeringsøkt kan beholde modulen, koden som kaller den, og kravene mens du ber om én definert endring. En dokumentøkt kan holde de relevante avsnittene samlet og samtidig returnere en kort tabell eller et revidert utdrag. Kontekstkapasiteten angir ikke en separat maksimal svarlengde; modellkortets genereringseksempel med 1 024 tokener er en illustrasjon, ikke denne grensen.
Produsenten merker seg at en eldre utgitt konfigurasjon inneholdt en feil ved lang kontekst, og at den er rettet, inkludert betydningen for avledede modellkontrollpunkter. Bevar den korrigerte utgivelseskonfigurasjonen når vektene brukes i lange økter. Hybridmodusene og arkitekturen med 128 milliarder parametere i Medium 3.5 skal ikke tilskrives Medium 3.1 eller et separat navngitt draft-head-kontrollpunkt bare fordi navnene deler en familie.
", "aboutText": "Mistral Medium 3.5 er Mistral AIs tette modell med 128 milliarder parametere som kombinerer instruksjonsfølging, resonnering og programmering i ett sett med vekter. Den mottar tekst og bilder og returnerer tekst. Produsenten posisjonerer den for agent- og programmeringsoppgaver, mens det samme modellkontrollpunktet kan gi et direkte samtalesvar eller bruke den dokumenterte resonneringsmodusen for en mer omfattende oppgave.\n\nSamlet modell og visuelle funksjoner\n\nDet utgitte modellkortet angir 128 milliarder tette parametere og et kontekstvindu på 256k. Den visuelle koderen er trent for å håndtere forskjellige bildestørrelser og sideforhold. Bilder kan bidra med bevis til en programmerings- eller dokumentoppgave: et skjermbilde av et grensesnitt, et diagram som følger et krav, eller en side med informasjon modellen må tolke. Resultatet kan være en skriftlig forklaring, kode eller strukturerte felter fremfor et generert bilde.\n\nProdusenten beskriver flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Den fremhever også at modellen følger systeminstruksjoner, og innebygde funksjonskall med JSON-utdata. Angi målgruppen, språket og svarreglene separat fra materialet som undersøkes, slik at ordlyden i et kildedokument forblir bevisgrunnlag for oppgaven.\n\nResonneringsinnstillinger\n\nModellkortet dokumenterer to verdier for resonneringsinnsats per forespørsel. Verdien none gir et instruksjonsbasert svar uten resonneringsmodus; high aktiverer resonnering og anbefales for komplekse prompter og agentbasert programmering. Dette er et modusvalg innenfor samme Medium 3.5-kontrollpunkt, ikke en annen modellidentitet.\n\nFor høy resonneringsinnsats anbefaler produsenten temperatur 0.7 og top-p 0.95. For none dokumenterer den temperaturer mellom 0.0 og 0.7 avhengig av oppgaven, og lar top-p være udefinert eller satt til 1.0. Dette er anbefalinger for utgivelsen. Velg formålet med utdataene først: et kortfattet feltuttrekk, en kodeendring med forklaring eller en sammenligning som krever flere begrunnede beslutninger.\n\nEn praktisk resonneringsoppgave kan oppgi et krav, implementasjonen og inndataene som avdekker et avvik. Be modellen identifisere det relevante forløpet, forklare avviket og foreslå den minste endringen som bevarer det offentlige grensesnittet. Be om den reviderte koden separat fra antakelsene og eksemplene. Modellen genererer et forslag; kompilering, kjøring og bruk av det krever utviklingsmiljøet som er koblet til agenten.\n\nVerktøy, dokumenter og forutsigbare redigeringer\n\nProdusentens tjenestekort lister også strukturerte utdata, forhåndsangitte utdata, dokumentspørsmål, svarprefikser, satsvis behandling og agentsamtaler. For uttrekk definerer du feltnavn, typer og behandling av manglende verdier. JSON-modus gir en strukturert representasjon, mens et tilpasset skjema definerer en mer spesifikk form i det tilknyttede grensesnittet. Be bare om dataposten når et program skal tolke den, og om en separat forklaring når et menneske trenger å undersøke tolkningen.\n\nDokumentbasert spørsmålssvar kombinerer tekst og struktur klargjort med OCR med språkmodellforståelse. For en sammenligning identifiserer du dokumentene og betingelsen som skal vurderes, og ber deretter om hvert funn med kildeplasseringen. Nyttige utdata kan skille felles krav, uenigheter og åpne spørsmål. Direkte bildespørsmål kan fokusere på en diagrametikett eller et grensesnittelement; å bevare overskrifter, enheter og bilderoller bidrar til å holde svaret knyttet til det oppgitte materialet.\n\nForhåndsangitte utdata er dokumentert for oppgaver der mye av det ønskede svaret allerede er kjent, for eksempel ny generering av en kodefil eller et dokument med avgrensede redigeringer. Gi det eksisterende innholdet og identifiser den spesifikke endringen, samtidig som delene som skal beholdes, bevares. Dette skiller seg fra å be om et helt nytt artefakt eller fortsette fra et kjent svarprefiks. Tjenestefunksjonene beskriver alternativer for innsending og formatering; de endrer ikke modellens tekst- og bildeinndata eller tekstutdata.\n\nI en verktøystøttet arbeidsflyt oppgir applikasjonen funksjonsbeskrivelser og parametere, modellen velger en funksjon og forbereder argumenter, og applikasjonen utfører den og returnerer resultatet. Et beregningsverktøy kan motta verdier lest fra et oppgitt bilde, mens et oppslagsverktøy kan gi den manglende informasjonen til neste svar. Hold verktøyresultatet knyttet til operasjonen som produserte det. Agentbasert resonnering avhenger av dette miljøet og ikke av at tekstgenerering alene utfører eksterne handlinger.\n\nForberedelse av lange økter\n\nBruk konteksten på 256k til relatert kildekode, dokumenter og samtalehistorikk, og hold det faktiske målet eksplisitt. En programmeringsøkt kan beholde modulen, koden som kaller den, og kravene mens du ber om én definert endring. En dokumentøkt kan holde de relevante avsnittene samlet og samtidig returnere en kort tabell eller et revidert utdrag. Kontekstkapasiteten angir ikke en separat maksimal svarlengde; modellkortets genereringseksempel med 1 024 tokener er en illustrasjon, ikke denne grensen.\n\nProdusenten merker seg at en eldre utgitt konfigurasjon inneholdt en feil ved lang kontekst, og at den er rettet, inkludert betydningen for avledede modellkontrollpunkter. Bevar den korrigerte utgivelseskonfigurasjonen når vektene brukes i lange økter. Hybridmodusene og arkitekturen med 128 milliarder parametere i Medium 3.5 skal ikke tilskrives Medium 3.1 eller et separat navngitt draft-head-kontrollpunkt bare fordi navnene deler en familie.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "033708557f24aa1d126b9edea43de5f0e82263ae0a9f53eb7981c201d486b951", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "mistralai/mistral-medium-3-5:batchMistral Medium 3.5 kombinerer instruksjonsfølging, resonnering og programmering i en tett tekst- og bildemodell med 128 milliarder parametere. Den har en kontekst på 256k ifølge produsenten, resonneringsinnstillinger per forespørsel, innebygde funksjonskall og strukturerte utdata for dokument- og agentarbeidsflyter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Mistral Medium 3.5 er Mistral AIs tette modell med 128 milliarder parametere som kombinerer instruksjonsfølging, resonnering og programmering i ett sett med vekter. Den mottar tekst og bilder og returnerer tekst. Produsenten posisjonerer den for agent- og programmeringsoppgaver, mens det samme modellkontrollpunktet kan gi et direkte samtalesvar eller bruke den dokumenterte resonneringsmodusen for en mer omfattende oppgave.
Samlet modell og visuelle funksjoner
Det utgitte modellkortet angir 128 milliarder tette parametere og et kontekstvindu på 256k. Den visuelle koderen er trent for å håndtere forskjellige bildestørrelser og sideforhold. Bilder kan bidra med bevis til en programmerings- eller dokumentoppgave: et skjermbilde av et grensesnitt, et diagram som følger et krav, eller en side med informasjon modellen må tolke. Resultatet kan være en skriftlig forklaring, kode eller strukturerte felter fremfor et generert bilde.
Produsenten beskriver flerspråklig støtte for flere titalls språk, blant annet engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, kinesisk, japansk, koreansk og arabisk. Den fremhever også at modellen følger systeminstruksjoner, og innebygde funksjonskall med JSON-utdata. Angi målgruppen, språket og svarreglene separat fra materialet som undersøkes, slik at ordlyden i et kildedokument forblir bevisgrunnlag for oppgaven.
Resonneringsinnstillinger
Modellkortet dokumenterer to verdier for resonneringsinnsats per forespørsel. Verdien none gir et instruksjonsbasert svar uten resonneringsmodus; high aktiverer resonnering og anbefales for komplekse prompter og agentbasert programmering. Dette er et modusvalg innenfor samme Medium 3.5-kontrollpunkt, ikke en annen modellidentitet.
For høy resonneringsinnsats anbefaler produsenten temperatur 0.7 og top-p 0.95. For none dokumenterer den temperaturer mellom 0.0 og 0.7 avhengig av oppgaven, og lar top-p være udefinert eller satt til 1.0. Dette er anbefalinger for utgivelsen. Velg formålet med utdataene først: et kortfattet feltuttrekk, en kodeendring med forklaring eller en sammenligning som krever flere begrunnede beslutninger.
En praktisk resonneringsoppgave kan oppgi et krav, implementasjonen og inndataene som avdekker et avvik. Be modellen identifisere det relevante forløpet, forklare avviket og foreslå den minste endringen som bevarer det offentlige grensesnittet. Be om den reviderte koden separat fra antakelsene og eksemplene. Modellen genererer et forslag; kompilering, kjøring og bruk av det krever utviklingsmiljøet som er koblet til agenten.
Verktøy, dokumenter og forutsigbare redigeringer
Produsentens tjenestekort lister også strukturerte utdata, forhåndsangitte utdata, dokumentspørsmål, svarprefikser, satsvis behandling og agentsamtaler. For uttrekk definerer du feltnavn, typer og behandling av manglende verdier. JSON-modus gir en strukturert representasjon, mens et tilpasset skjema definerer en mer spesifikk form i det tilknyttede grensesnittet. Be bare om dataposten når et program skal tolke den, og om en separat forklaring når et menneske trenger å undersøke tolkningen.
Dokumentbasert spørsmålssvar kombinerer tekst og struktur klargjort med OCR med språkmodellforståelse. For en sammenligning identifiserer du dokumentene og betingelsen som skal vurderes, og ber deretter om hvert funn med kildeplasseringen. Nyttige utdata kan skille felles krav, uenigheter og åpne spørsmål. Direkte bildespørsmål kan fokusere på en diagrametikett eller et grensesnittelement; å bevare overskrifter, enheter og bilderoller bidrar til å holde svaret knyttet til det oppgitte materialet.
Forhåndsangitte utdata er dokumentert for oppgaver der mye av det ønskede svaret allerede er kjent, for eksempel ny generering av en kodefil eller et dokument med avgrensede redigeringer. Gi det eksisterende innholdet og identifiser den spesifikke endringen, samtidig som delene som skal beholdes, bevares. Dette skiller seg fra å be om et helt nytt artefakt eller fortsette fra et kjent svarprefiks. Tjenestefunksjonene beskriver alternativer for innsending og formatering; de endrer ikke modellens tekst- og bildeinndata eller tekstutdata.
I en verktøystøttet arbeidsflyt oppgir applikasjonen funksjonsbeskrivelser og parametere, modellen velger en funksjon og forbereder argumenter, og applikasjonen utfører den og returnerer resultatet. Et beregningsverktøy kan motta verdier lest fra et oppgitt bilde, mens et oppslagsverktøy kan gi den manglende informasjonen til neste svar. Hold verktøyresultatet knyttet til operasjonen som produserte det. Agentbasert resonnering avhenger av dette miljøet og ikke av at tekstgenerering alene utfører eksterne handlinger.
Forberedelse av lange økter
Bruk konteksten på 256k til relatert kildekode, dokumenter og samtalehistorikk, og hold det faktiske målet eksplisitt. En programmeringsøkt kan beholde modulen, koden som kaller den, og kravene mens du ber om én definert endring. En dokumentøkt kan holde de relevante avsnittene samlet og samtidig returnere en kort tabell eller et revidert utdrag. Kontekstkapasiteten angir ikke en separat maksimal svarlengde; modellkortets genereringseksempel med 1 024 tokener er en illustrasjon, ikke denne grensen.
Produsenten merker seg at en eldre utgitt konfigurasjon inneholdt en feil ved lang kontekst, og at den er rettet, inkludert betydningen for avledede modellkontrollpunkter. Bevar den korrigerte utgivelseskonfigurasjonen når vektene brukes i lange økter. Hybridmodusene og arkitekturen med 128 milliarder parametere i Medium 3.5 skal ikke tilskrives Medium 3.1 eller et separat navngitt draft-head-kontrollpunkt bare fordi navnene deler en familie.
POST /v1/batchestexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltendpoint | Typestring | KravPåkrevd | Verdier & grenser /v1/chat/completions | Standard— |
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-medium-3-5:batch | Standard— |
Feltrequests | Typebatch_item[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltrequests[].custom_id | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltrequests[].body.messages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltcompletion_window | Typestring | KravValgfritt | Verdier & grenser 24h | Standard— |
Feltprovider | Typeobject|null | KravValgfritt | Verdier & grenser | Standard— |
Feltrequests[].body.model | Typestring | KravValgfritt | Verdier & grenser mistralai/mistral-medium-3-5:batch, mistralai/mistral-medium-3-5 | Standard— |
Feltprovider.only | Typestring[] | KravValgfritt | Verdier & grenser mistral | Standard— |
Feltprovider.allow_fallbacks | Typeboolean|null | KravValgfritt | Verdier & grenser false, null | Standard— |
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtaleendpoint, model, requests |
Parametermaterial_types | Avtaletext |
Parameterrepresentation | Avtalerequests[] direkte i forespørselen; hvert element har custom_id og body |
Parameterrequest_endpoint_profile | Avtale/v1/chat/completions |
Parameterfile_material | AvtaleKlienten kan lese det faktiske UTF-8-kodede JSONL-innholdet lokalt inn i requests[]. Feltet purpose for opplasting, input_file_id og filreferanser brukes ikke. Manglende eller tomt kundemateriale stopper klargjøringen før POST. |
Parameterserialization_order | Avtaleendpoint, model, provider (hvis angitt), completion_window (hvis angitt), requests til slutt |
Parameteroptional_controls | Avtaleprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | AvtaleForespørselsinnhold for tekstbasert Chat Completions lagt direkte inn i det dokumenterte Batch-formatet. |
Livssyklus: asynchronous
GET /v1/batches/{operation_id} · faktisk response.id fra den opprinnelige opprettelsen; samme bruker/nøkkel/gruppe
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 $0.0015 / 1K tokener Utdata · Utgående tokener $0.0075 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 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 $0.0015 / 1K tokener Utdata · Utgående tokener $0.0075 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-medium-3-5:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/mistral-medium-3-5:batch', 'mistralai/mistral-medium-3-5']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3-5:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON fra results[].response.body direkte i svaret
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBehold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hele den opprinnelige statusresponsen i JSON, alle resultater og custom_id-verdier samt hele svar- eller feilinnholdet. Lagre fullførte results[] som JSONL uten filtrering.
Bevar den opprinnelige operasjons-ID-en. 503 result_pending_check har X-Should-Retry:false; send aldri den opprinnelige batchen på nytt når utfallet er ukjent.
| Felt | Type |
|---|---|
Feltresults[].custom_id | Typestring |
Feltresults[].response.body.choices[].message.content | Typestring|null |
Feltresults[].error | Typeobject|null |
Feltusage | Typeobject|null |
Feltid | Typestring |
Feltmodel | Typestring |
Feltendpoint | Typestring |
Feltstatus | Typestring |
Feltrequest_counts | Typeobject |
Feltresults[].id | Typestring |
Feltresults[].response.status_code | Typeinteger |
Feltresults[].response.request_id | Typestring |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldig struktur i det dokumenterte formatet med innebygde forespørsler, dupliserte nøkler, ugyldig elementidentitet eller konflikt med modellens konfigurerte funksjoner. | Neste trinnRett de angitte feltene før du sender en ny forespørsel. |
Svar401 · authentication_error | VilkårUgyldig API-nøkkel. | Neste trinnBruk den autoriserte Ailoot-nøkkelen. |
Svar403 · permission_error | VilkårGruppen for batchbehandling er ikke tilgjengelig. | Neste trinnKontroller tilgangsrettighetene til nøkkelen/gruppen. |
Svar422 · invalid_request_error | VilkårBatch belastes saldoen; opprettelse via abonnement avvises. | Neste trinnBruk den autoriserte gruppen som belastes saldoen. |
Svar422 · price_unavailable | VilkårDet kan ikke beregnes en pris for batchens inndata. | Neste trinnBevar svaret; bruk de dokumenterte inndataene for API-familien. |
Svar402 · billing_error | VilkårBeløpsreservasjon for batchbehandling er ikke tilgjengelig. | Neste trinnLøs problemet som hindrer forespørselen i å bli godkjent før du sender en ny forespørsel. |
Svar503 · price_unavailable | VilkårPris for Batch-metoden eller systemets innebygde satser er ikke tilgjengelige. | Neste trinnBevar svaret; ikke erstatt prisene. |
Svar503 · api_error | VilkårDen nøyaktige leverandørruten er ikke tilgjengelig. | Neste trinnBevar svaret slik at ruten kan repareres. |
Svar503 · result_pending_check | VilkårDet opprinnelige resultatet må kontrolleres; X-Should-Retry:false. | Neste trinnBevar opprinnelig operation_id/id og les statusen; gjenta aldri den opprinnelige POST-forespørselen. |
Svar404 · not_found | VilkårStatusoperasjonen for batchen finnes ikke eller tilhører en annen identitet. | Neste trinnBruk nøyaktig den opprinnelige id-verdien og samme bruker/nøkkel/gruppe. |
Ailoot Ultra mistralai/mistral-medium-3-5:batch
Bruk metodestiene som vises ovenfor.