Pixtral Large 2411 er en multimodal modell med 124 milliarder parametere fra Mistral AI. Den kombinerer en dekoder med 123 milliarder parametere med en synskoder med 1 milliard parametere og er bygget på Mistral Large 2. Produsenten beskriver forståelse av dokumenter, diagrammer og naturlige bilder i tillegg til tekstoppgaver, med et kontekstvindu på 128K.
Merk hvert bilde og angi hvilken detalj svaret skal undersøke. En diagramoppgave kan be om den synlige trenden, de relevante etikettene og verdiene som underbygger en observasjon. Et dokumentbilde kan brukes til å be om informasjon fra et navngitt felt eller avsnitt. Legg til skriftlig kontekst når den forklarer hvorfor detaljen er viktig.
For flere bilder angir du hvilke egenskaper som skal sammenlignes, og ber om en egen observasjon for hver merkede kilde. Hold svaret knyttet til det oppgitte materialet, og behold bilde- eller sideetiketter sammen med uthentet informasjon. Kontroller disse detaljene mot originalen før du bruker dem i en annen operasjon.
Velg avsnittene og bildene som er relevante for det aktuelle spørsmålet. En orientering kan be om en forklaring på hvordan en figur henger sammen med den tilhørende teksten. En sammenligning kan angi hvilke aspekter som skal undersøkes på tvers av kilder, og be om de underbyggende etikettene ved siden av funnene.
Definer ønsket leveranse og lengden på den før du sender materialet. En kortfattet beskrivelse, et sett med uthentede felt eller en sammenligningstabell gir gjennomgangen et konkret mål. Behold navn, mengder og kildeidentifikatorer som påvirker resultatet.
Utvikleren anbefaler å inkludere en systeminstruks som tydelig angir assistentens formål. Oppgi oppgavebetingelsene og ønsket svarstil eksplisitt, selv når rollebeskrivelsen er kort. Modellens dokumenterte instruksjonsformat har egen håndtering av systeminstrukser ved direkte modellutrulling.
Den navngitte vertsbaserte varianten oppgir en kontekst på 128 000 tokener. Tilpass relevant tekst, bilder og samtale til variantens tilgjengelige ramme, og la det være plass til svaret. Klargjøring av bilder og grenser per forespørsel bestemmes av driftskonfigurasjonen; produsentens eksempler på antall bilder er eksempler, ikke universelle grenser for alle endepunkter.
", "aboutText": "Pixtral Large 2411 er en multimodal modell med 124 milliarder parametere fra Mistral AI. Den kombinerer en dekoder med 123 milliarder parametere med en synskoder med 1 milliard parametere og er bygget på Mistral Large 2. Produsenten beskriver forståelse av dokumenter, diagrammer og naturlige bilder i tillegg til tekstoppgaver, med et kontekstvindu på 128K.\n\n### Still et presist spørsmål om visuelt materiale\n\nMerk hvert bilde og angi hvilken detalj svaret skal undersøke. En diagramoppgave kan be om den synlige trenden, de relevante etikettene og verdiene som underbygger en observasjon. Et dokumentbilde kan brukes til å be om informasjon fra et navngitt felt eller avsnitt. Legg til skriftlig kontekst når den forklarer hvorfor detaljen er viktig.\n\nFor flere bilder angir du hvilke egenskaper som skal sammenlignes, og ber om en egen observasjon for hver merkede kilde. Hold svaret knyttet til det oppgitte materialet, og behold bilde- eller sideetiketter sammen med uthentet informasjon. Kontroller disse detaljene mot originalen før du bruker dem i en annen operasjon.\n\n### Kombiner løpende tekst og bilder i én oppgave\n\nVelg avsnittene og bildene som er relevante for det aktuelle spørsmålet. En orientering kan be om en forklaring på hvordan en figur henger sammen med den tilhørende teksten. En sammenligning kan angi hvilke aspekter som skal undersøkes på tvers av kilder, og be om de underbyggende etikettene ved siden av funnene.\n\nDefiner ønsket leveranse og lengden på den før du sender materialet. En kortfattet beskrivelse, et sett med uthentede felt eller en sammenligningstabell gir gjennomgangen et konkret mål. Behold navn, mengder og kildeidentifikatorer som påvirker resultatet.\n\n### Angi formålet og planlegg konteksten\n\nUtvikleren anbefaler å inkludere en systeminstruks som tydelig angir assistentens formål. Oppgi oppgavebetingelsene og ønsket svarstil eksplisitt, selv når rollebeskrivelsen er kort. Modellens dokumenterte instruksjonsformat har egen håndtering av systeminstrukser ved direkte modellutrulling.\n\nDen navngitte vertsbaserte varianten oppgir en kontekst på 128 000 tokener. Tilpass relevant tekst, bilder og samtale til variantens tilgjengelige ramme, og la det være plass til svaret. Klargjøring av bilder og grenser per forespørsel bestemmes av driftskonfigurasjonen; produsentens eksempler på antall bilder er eksempler, ikke universelle grenser for alle endepunkter.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Reconcile a chart caption with values\n\nCompare this transcribed figure with its accompanying prose. [FIGURE] January 100 cases; February 130; March 110. [CAPTION] Cases increased every month during the quarter. State whether the caption follows from the values, provide a more accurate one-sentence caption and list the values supporting it. Use the transcribed text only.A source-labeled consistency assessment, a corrected caption and the supporting values.Check the revised caption accounts for the February-to-March decrease.pixtral-large-2411Pixtral Large 2411 er Mistral AIs multimodale modell for forståelse av tekst og bilder, inkludert dokumenter, diagrammer og naturlige bilder. Utvikleren oppgir en dekoder med 123 milliarder parametere, en synskoder med 1 milliard parametere og en kontekst på 128K; gi den et avgrenset spørsmål om visuelt materiale med merket dokumentasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Pixtral Large 2411 er en multimodal modell med 124 milliarder parametere fra Mistral AI. Den kombinerer en dekoder med 123 milliarder parametere med en synskoder med 1 milliard parametere og er bygget på Mistral Large 2. Produsenten beskriver forståelse av dokumenter, diagrammer og naturlige bilder i tillegg til tekstoppgaver, med et kontekstvindu på 128K.
Merk hvert bilde og angi hvilken detalj svaret skal undersøke. En diagramoppgave kan be om den synlige trenden, de relevante etikettene og verdiene som underbygger en observasjon. Et dokumentbilde kan brukes til å be om informasjon fra et navngitt felt eller avsnitt. Legg til skriftlig kontekst når den forklarer hvorfor detaljen er viktig.
For flere bilder angir du hvilke egenskaper som skal sammenlignes, og ber om en egen observasjon for hver merkede kilde. Hold svaret knyttet til det oppgitte materialet, og behold bilde- eller sideetiketter sammen med uthentet informasjon. Kontroller disse detaljene mot originalen før du bruker dem i en annen operasjon.
Velg avsnittene og bildene som er relevante for det aktuelle spørsmålet. En orientering kan be om en forklaring på hvordan en figur henger sammen med den tilhørende teksten. En sammenligning kan angi hvilke aspekter som skal undersøkes på tvers av kilder, og be om de underbyggende etikettene ved siden av funnene.
Definer ønsket leveranse og lengden på den før du sender materialet. En kortfattet beskrivelse, et sett med uthentede felt eller en sammenligningstabell gir gjennomgangen et konkret mål. Behold navn, mengder og kildeidentifikatorer som påvirker resultatet.
Utvikleren anbefaler å inkludere en systeminstruks som tydelig angir assistentens formål. Oppgi oppgavebetingelsene og ønsket svarstil eksplisitt, selv når rollebeskrivelsen er kort. Modellens dokumenterte instruksjonsformat har egen håndtering av systeminstrukser ved direkte modellutrulling.
Den navngitte vertsbaserte varianten oppgir en kontekst på 128 000 tokener. Tilpass relevant tekst, bilder og samtale til variantens tilgjengelige ramme, og la det være plass til svaret. Klargjøring av bilder og grenser per forespørsel bestemmes av driftskonfigurasjonen; produsentens eksempler på antall bilder er eksempler, ikke universelle grenser for alle endepunkter.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser pixtral-large-2411 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0044 / 1K tokener Utdata · Utgående tokener $0.0132 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "pixtral-large-2411", "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='pixtral-large-2411',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='pixtral-large-2411',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 pixtral-large-2411
Bruk metodestiene som vises ovenfor.
pixtral-large-2411Pixtral Large 2411 er Mistral AIs multimodale modell for forståelse av tekst og bilder, inkludert dokumenter, diagrammer og naturlige bilder. Utvikleren oppgir en dekoder med 123 milliarder parametere, en synskoder med 1 milliard parametere og en kontekst på 128K; gi den et avgrenset spørsmål om visuelt materiale med merket dokumentasjon.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Pixtral Large 2411 er en multimodal modell med 124 milliarder parametere fra Mistral AI. Den kombinerer en dekoder med 123 milliarder parametere med en synskoder med 1 milliard parametere og er bygget på Mistral Large 2. Produsenten beskriver forståelse av dokumenter, diagrammer og naturlige bilder i tillegg til tekstoppgaver, med et kontekstvindu på 128K.
Merk hvert bilde og angi hvilken detalj svaret skal undersøke. En diagramoppgave kan be om den synlige trenden, de relevante etikettene og verdiene som underbygger en observasjon. Et dokumentbilde kan brukes til å be om informasjon fra et navngitt felt eller avsnitt. Legg til skriftlig kontekst når den forklarer hvorfor detaljen er viktig.
For flere bilder angir du hvilke egenskaper som skal sammenlignes, og ber om en egen observasjon for hver merkede kilde. Hold svaret knyttet til det oppgitte materialet, og behold bilde- eller sideetiketter sammen med uthentet informasjon. Kontroller disse detaljene mot originalen før du bruker dem i en annen operasjon.
Velg avsnittene og bildene som er relevante for det aktuelle spørsmålet. En orientering kan be om en forklaring på hvordan en figur henger sammen med den tilhørende teksten. En sammenligning kan angi hvilke aspekter som skal undersøkes på tvers av kilder, og be om de underbyggende etikettene ved siden av funnene.
Definer ønsket leveranse og lengden på den før du sender materialet. En kortfattet beskrivelse, et sett med uthentede felt eller en sammenligningstabell gir gjennomgangen et konkret mål. Behold navn, mengder og kildeidentifikatorer som påvirker resultatet.
Utvikleren anbefaler å inkludere en systeminstruks som tydelig angir assistentens formål. Oppgi oppgavebetingelsene og ønsket svarstil eksplisitt, selv når rollebeskrivelsen er kort. Modellens dokumenterte instruksjonsformat har egen håndtering av systeminstrukser ved direkte modellutrulling.
Den navngitte vertsbaserte varianten oppgir en kontekst på 128 000 tokener. Tilpass relevant tekst, bilder og samtale til variantens tilgjengelige ramme, og la det være plass til svaret. Klargjøring av bilder og grenser per forespørsel bestemmes av driftskonfigurasjonen; produsentens eksempler på antall bilder er eksempler, ikke universelle grenser for alle endepunkter.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser pixtral-large-2411 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.0044 / 1K tokener Utdata · Utgående tokener $0.0132 / 1K tokener Inndata · Lesing fra hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer $0 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "pixtral-large-2411",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'pixtral-large-2411', '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': 'pixtral-large-2411', '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 pixtral-large-2411
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
Reconcile a chart caption with values\n\nCompare this transcribed figure with its accompanying prose. [FIGURE] January 100 cases; February 130; March 110. [CAPTION] Cases increased every month during the quarter. State whether the caption follows from the values, provide a more accurate one-sentence caption and list the values supporting it. Use the transcribed text only.A source-labeled consistency assessment, a corrected caption and the supporting values.Check the revised caption accounts for the February-to-March decrease.