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": { "practical_html": "Teknisk eksempel på engelsk
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral 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/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-medium-3-5 | 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 $0.003 / 1K tokener Utdata · Utgående tokener $0.015 / 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 $0.003 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3-5", "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-medium-3-5',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-medium-3-5',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-medium-3-5
Bruk metodestiene som vises ovenfor.
mistralai/mistral-medium-3-5Mistral 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/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser mistralai/mistral-medium-3-5 | 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 $0.003 / 1K tokener Utdata · Utgående tokener $0.015 / 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 $0.003 / 1K tokener Utdata · Utgående tokener $0.015 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-3-5', '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-medium-3-5', '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-medium-3-5
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.