Mistral Large 2407 is de 24.07-editie van Mistral Large 2 van Mistral AI. Het is een dense taalmodel met 123 miljard parameters en een contextvenster van 128K. Het model verwerkt schriftelijke instructies en conversatie om tekst, code of JSON te genereren. Deze vaste editie blijft onderscheiden van latere multimodale Large-generaties en van een bijgewerkte Large-familieselectie.
Meertalig werk staat centraal in de release. De producent beschrijft ondersteuning voor tientallen talen, waaronder Engels, Frans, Duits, Spaans, Italiaans, Portugees, Nederlands, Russisch, Chinees, Japans, Koreaans, Arabisch en Hindi. Geef voor een documenttaak de brontaal, de antwoordtaal en alle terminologie op die ongewijzigd moet blijven. Een nuttig resultaat kan twee passages vergelijken, een lang record samenvatten of de informatie voor een zakelijke beslissing extraheren.
Programmeren is een ander belangrijk aandachtspunt: de training omvat meer dan 80 programmeertalen, waaronder Python, Java, C, C++, JavaScript, Bash, Swift en Fortran. Bereid een softwareopdracht voor met de relevante code, het verwachte gedrag en de te behouden beperking. Vraag de voorgestelde wijziging en de redenering erachter, gevolgd door controles die de waargenomen fout behandelen. Zo wordt de gegenereerde code aan een bepaald resultaat gekoppeld, in plaats van de taak te laten eindigen bij een aannemelijk fragment.
De release benadrukt wiskundig redeneren, nauwkeurige instructieopvolging en lange conversaties over meerdere beurten. De training moedigt beknopte antwoorden aan en het erkennen van ontbrekende informatie wanneer er onvoldoende steun voor een zekere oplossing is. Een probleemoplossende prompt kan de uitgangspunten aanleveren en vragen naar de conclusie, de relevante tussenstappen en ontbrekende invoer. Vervolgbeurten kunnen een beperking verfijnen en tegelijk de bestaande conversatie beschikbaar houden.
Ingebouwde functieaanroepen ondersteunen zowel parallelle als opeenvolgende aanroepen, en JSON-uitvoer kan informatie aan een toepassing doorgeven. Beschrijf de beschikbare functies en hun invoervelden en geef vervolgens het gebruikersdoel mee. Het model stelt functieaanroepen voor; de toepassing voert ze uit en geeft de resultaten terug voordat het model verdergaat. Behoud gedurende die uitwisseling de koppeling tussen aanroep en resultaat. De gepubliceerde voorbeelden voor deze exacte editie gebruiken in het protocol van de producent toolaanroep-ID's van negen alfanumerieke tekens.
Lever voor werk op basis van opgehaalde informatie het relevante materiaal aan of laat de omringende toepassing het ophalen. Vraag het antwoord de passage te identificeren die elke conclusie ondersteunt. Een beleidsassistent kan bijvoorbeeld de situatie van een gebruiker met het aangeleverde beleid vergelijken en de toepasselijke regel, het bewijsmateriaal en de volgende op te lossen vraag teruggeven. Een JSON-extractietaak moet de vereiste velden en de behandeling van informatie die in de bron ontbreekt definiëren. JSON-generatie is een modelmogelijkheid; de toepassing controleert nog steeds of het resultaat aan de vereiste structuur voldoet.
Het gepubliceerde instructiecheckpoint heeft geen ingebouwde moderatiemechanismen, zoals de modelkaart expliciet vermeldt. Een toepassing die gemodereerde uitvoer nodig heeft, vereist eigen controles. De lange context blijft ook een eindige capaciteit: bereid de relevante documentsecties en conversatie zo voor dat er naast de invoer ruimte is voor het gevraagde antwoord.
", "aboutText": "Mistral Large 2407 is de 24.07-editie van Mistral Large 2 van Mistral AI. Het is een dense taalmodel met 123 miljard parameters en een contextvenster van 128K. Het model verwerkt schriftelijke instructies en conversatie om tekst, code of JSON te genereren. Deze vaste editie blijft onderscheiden van latere multimodale Large-generaties en van een bijgewerkte Large-familieselectie.\n\nMeertalig werk staat centraal in de release. De producent beschrijft ondersteuning voor tientallen talen, waaronder Engels, Frans, Duits, Spaans, Italiaans, Portugees, Nederlands, Russisch, Chinees, Japans, Koreaans, Arabisch en Hindi. Geef voor een documenttaak de brontaal, de antwoordtaal en alle terminologie op die ongewijzigd moet blijven. Een nuttig resultaat kan twee passages vergelijken, een lang record samenvatten of de informatie voor een zakelijke beslissing extraheren.\n\nProgrammeren is een ander belangrijk aandachtspunt: de training omvat meer dan 80 programmeertalen, waaronder Python, Java, C, C++, JavaScript, Bash, Swift en Fortran. Bereid een softwareopdracht voor met de relevante code, het verwachte gedrag en de te behouden beperking. Vraag de voorgestelde wijziging en de redenering erachter, gevolgd door controles die de waargenomen fout behandelen. Zo wordt de gegenereerde code aan een bepaald resultaat gekoppeld, in plaats van de taak te laten eindigen bij een aannemelijk fragment.\n\nDe release benadrukt wiskundig redeneren, nauwkeurige instructieopvolging en lange conversaties over meerdere beurten. De training moedigt beknopte antwoorden aan en het erkennen van ontbrekende informatie wanneer er onvoldoende steun voor een zekere oplossing is. Een probleemoplossende prompt kan de uitgangspunten aanleveren en vragen naar de conclusie, de relevante tussenstappen en ontbrekende invoer. Vervolgbeurten kunnen een beperking verfijnen en tegelijk de bestaande conversatie beschikbaar houden.\n\nIngebouwde functieaanroepen ondersteunen zowel parallelle als opeenvolgende aanroepen, en JSON-uitvoer kan informatie aan een toepassing doorgeven. Beschrijf de beschikbare functies en hun invoervelden en geef vervolgens het gebruikersdoel mee. Het model stelt functieaanroepen voor; de toepassing voert ze uit en geeft de resultaten terug voordat het model verdergaat. Behoud gedurende die uitwisseling de koppeling tussen aanroep en resultaat. De gepubliceerde voorbeelden voor deze exacte editie gebruiken in het protocol van de producent toolaanroep-ID's van negen alfanumerieke tekens.\n\nLever voor werk op basis van opgehaalde informatie het relevante materiaal aan of laat de omringende toepassing het ophalen. Vraag het antwoord de passage te identificeren die elke conclusie ondersteunt. Een beleidsassistent kan bijvoorbeeld de situatie van een gebruiker met het aangeleverde beleid vergelijken en de toepasselijke regel, het bewijsmateriaal en de volgende op te lossen vraag teruggeven. Een JSON-extractietaak moet de vereiste velden en de behandeling van informatie die in de bron ontbreekt definiëren. JSON-generatie is een modelmogelijkheid; de toepassing controleert nog steeds of het resultaat aan de vereiste structuur voldoet.\n\nHet gepubliceerde instructiecheckpoint heeft geen ingebouwde moderatiemechanismen, zoals de modelkaart expliciet vermeldt. Een toepassing die gemodereerde uitvoer nodig heeft, vereist eigen controles. De lange context blijft ook een eindige capaciteit: bereid de relevante documentsecties en conversatie zo voor dat er naast de invoer ruimte is voor het gevraagde antwoord.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.mistralai/mistral-large-2407Mistral Large 2407 is de dense Mistral Large 2-editie met 123 miljard parameters voor meertalige tekst, programmeren en redeneren binnen een context van 128K. Ingebouwde functieaanroepen, JSON-uitvoer en instructieopvolging over meerdere beurten ondersteunen document- en bedrijfsworkflows.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Mistral Large 2407 is de 24.07-editie van Mistral Large 2 van Mistral AI. Het is een dense taalmodel met 123 miljard parameters en een contextvenster van 128K. Het model verwerkt schriftelijke instructies en conversatie om tekst, code of JSON te genereren. Deze vaste editie blijft onderscheiden van latere multimodale Large-generaties en van een bijgewerkte Large-familieselectie.
Meertalig werk staat centraal in de release. De producent beschrijft ondersteuning voor tientallen talen, waaronder Engels, Frans, Duits, Spaans, Italiaans, Portugees, Nederlands, Russisch, Chinees, Japans, Koreaans, Arabisch en Hindi. Geef voor een documenttaak de brontaal, de antwoordtaal en alle terminologie op die ongewijzigd moet blijven. Een nuttig resultaat kan twee passages vergelijken, een lang record samenvatten of de informatie voor een zakelijke beslissing extraheren.
Programmeren is een ander belangrijk aandachtspunt: de training omvat meer dan 80 programmeertalen, waaronder Python, Java, C, C++, JavaScript, Bash, Swift en Fortran. Bereid een softwareopdracht voor met de relevante code, het verwachte gedrag en de te behouden beperking. Vraag de voorgestelde wijziging en de redenering erachter, gevolgd door controles die de waargenomen fout behandelen. Zo wordt de gegenereerde code aan een bepaald resultaat gekoppeld, in plaats van de taak te laten eindigen bij een aannemelijk fragment.
De release benadrukt wiskundig redeneren, nauwkeurige instructieopvolging en lange conversaties over meerdere beurten. De training moedigt beknopte antwoorden aan en het erkennen van ontbrekende informatie wanneer er onvoldoende steun voor een zekere oplossing is. Een probleemoplossende prompt kan de uitgangspunten aanleveren en vragen naar de conclusie, de relevante tussenstappen en ontbrekende invoer. Vervolgbeurten kunnen een beperking verfijnen en tegelijk de bestaande conversatie beschikbaar houden.
Ingebouwde functieaanroepen ondersteunen zowel parallelle als opeenvolgende aanroepen, en JSON-uitvoer kan informatie aan een toepassing doorgeven. Beschrijf de beschikbare functies en hun invoervelden en geef vervolgens het gebruikersdoel mee. Het model stelt functieaanroepen voor; de toepassing voert ze uit en geeft de resultaten terug voordat het model verdergaat. Behoud gedurende die uitwisseling de koppeling tussen aanroep en resultaat. De gepubliceerde voorbeelden voor deze exacte editie gebruiken in het protocol van de producent toolaanroep-ID's van negen alfanumerieke tekens.
Lever voor werk op basis van opgehaalde informatie het relevante materiaal aan of laat de omringende toepassing het ophalen. Vraag het antwoord de passage te identificeren die elke conclusie ondersteunt. Een beleidsassistent kan bijvoorbeeld de situatie van een gebruiker met het aangeleverde beleid vergelijken en de toepasselijke regel, het bewijsmateriaal en de volgende op te lossen vraag teruggeven. Een JSON-extractietaak moet de vereiste velden en de behandeling van informatie die in de bron ontbreekt definiëren. JSON-generatie is een modelmogelijkheid; de toepassing controleert nog steeds of het resultaat aan de vereiste structuur voldoet.
Het gepubliceerde instructiecheckpoint heeft geen ingebouwde moderatiemechanismen, zoals de modelkaart expliciet vermeldt. Een toepassing die gemodereerde uitvoer nodig heeft, vereist eigen controles. De lange context blijft ook een eindige capaciteit: bereid de relevante documentsecties en conversatie zo voor dat er naast de invoer ruimte is voor het gevraagde antwoord.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-large-2407 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.01 / 1K tokens Uitvoer · Uitvoertokens $0.02 / 1K tokens Invoer · Cache lezen $0.0004 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.01 / 1K tokens Uitvoer · Uitvoertokens $0.02 / 1K tokens Invoer · Cache lezen $0.0004 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-2407", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-2407',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-2407',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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke keuze en de bijbehorende inhoud, toolaanroepen en redeneringen. Voeg in SSE delta’s samen per keuze-/toolindex en bewaar de uiteindelijke reden van beëindiging en de verbruiksgegevens.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldchoices[].index | Typeinteger |
Veldchoices[].message.content | Typestring|null |
Veldchoices[].message.tool_calls | Typetool_call[] |
Veldchoices[].message.reasoning_content | Typestring |
Veldchoices[].message.reasoning_details | Typeobject|array |
Veldchoices[].finish_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra mistralai/mistral-large-2407
Gebruik de hierboven getoonde methodepaden.
mistralai/mistral-large-2407Mistral Large 2407 is de dense Mistral Large 2-editie met 123 miljard parameters voor meertalige tekst, programmeren en redeneren binnen een context van 128K. Ingebouwde functieaanroepen, JSON-uitvoer en instructieopvolging over meerdere beurten ondersteunen document- en bedrijfsworkflows.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Mistral Large 2407 is de 24.07-editie van Mistral Large 2 van Mistral AI. Het is een dense taalmodel met 123 miljard parameters en een contextvenster van 128K. Het model verwerkt schriftelijke instructies en conversatie om tekst, code of JSON te genereren. Deze vaste editie blijft onderscheiden van latere multimodale Large-generaties en van een bijgewerkte Large-familieselectie.
Meertalig werk staat centraal in de release. De producent beschrijft ondersteuning voor tientallen talen, waaronder Engels, Frans, Duits, Spaans, Italiaans, Portugees, Nederlands, Russisch, Chinees, Japans, Koreaans, Arabisch en Hindi. Geef voor een documenttaak de brontaal, de antwoordtaal en alle terminologie op die ongewijzigd moet blijven. Een nuttig resultaat kan twee passages vergelijken, een lang record samenvatten of de informatie voor een zakelijke beslissing extraheren.
Programmeren is een ander belangrijk aandachtspunt: de training omvat meer dan 80 programmeertalen, waaronder Python, Java, C, C++, JavaScript, Bash, Swift en Fortran. Bereid een softwareopdracht voor met de relevante code, het verwachte gedrag en de te behouden beperking. Vraag de voorgestelde wijziging en de redenering erachter, gevolgd door controles die de waargenomen fout behandelen. Zo wordt de gegenereerde code aan een bepaald resultaat gekoppeld, in plaats van de taak te laten eindigen bij een aannemelijk fragment.
De release benadrukt wiskundig redeneren, nauwkeurige instructieopvolging en lange conversaties over meerdere beurten. De training moedigt beknopte antwoorden aan en het erkennen van ontbrekende informatie wanneer er onvoldoende steun voor een zekere oplossing is. Een probleemoplossende prompt kan de uitgangspunten aanleveren en vragen naar de conclusie, de relevante tussenstappen en ontbrekende invoer. Vervolgbeurten kunnen een beperking verfijnen en tegelijk de bestaande conversatie beschikbaar houden.
Ingebouwde functieaanroepen ondersteunen zowel parallelle als opeenvolgende aanroepen, en JSON-uitvoer kan informatie aan een toepassing doorgeven. Beschrijf de beschikbare functies en hun invoervelden en geef vervolgens het gebruikersdoel mee. Het model stelt functieaanroepen voor; de toepassing voert ze uit en geeft de resultaten terug voordat het model verdergaat. Behoud gedurende die uitwisseling de koppeling tussen aanroep en resultaat. De gepubliceerde voorbeelden voor deze exacte editie gebruiken in het protocol van de producent toolaanroep-ID's van negen alfanumerieke tekens.
Lever voor werk op basis van opgehaalde informatie het relevante materiaal aan of laat de omringende toepassing het ophalen. Vraag het antwoord de passage te identificeren die elke conclusie ondersteunt. Een beleidsassistent kan bijvoorbeeld de situatie van een gebruiker met het aangeleverde beleid vergelijken en de toepasselijke regel, het bewijsmateriaal en de volgende op te lossen vraag teruggeven. Een JSON-extractietaak moet de vereiste velden en de behandeling van informatie die in de bron ontbreekt definiëren. JSON-generatie is een modelmogelijkheid; de toepassing controleert nog steeds of het resultaat aan de vereiste structuur voldoet.
Het gepubliceerde instructiecheckpoint heeft geen ingebouwde moderatiemechanismen, zoals de modelkaart expliciet vermeldt. Een toepassing die gemodereerde uitvoer nodig heeft, vereist eigen controles. De lange context blijft ook een eindige capaciteit: bereid de relevante documentsecties en conversatie zo voor dat er naast de invoer ruimte is voor het gevraagde antwoord.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-large-2407 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
Koppel elke kostenpost aan de getoonde voorwaarden. Gebruik één tarief voor elke groep alternatieve configuraties.
| Configuratie | Tariefstaffel | Contexttokens, meer dan | Contexttokens, tot en met | Kosten |
|---|---|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Contexttokens, meer dan— | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.01 / 1K tokens Uitvoer · Uitvoertokens $0.02 / 1K tokens Invoer · Cache lezen $0.0004 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.01 / 1K tokens Uitvoer · Uitvoertokens $0.02 / 1K tokens Invoer · Cache lezen $0.0004 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/mistral-large-2407",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2407', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2407', '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 of SSE
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar alle inhoudsblokken, handtekeningen van redeneringen en werkelijke toolgebruik-ID’s. Voeg alle SSE-blokdelta’s samen; het eerste tekstblok is niet de volledige uitvoer.
Bewaar aanvraag-/antwoord-ID’s en headers. Er wordt geen algemene URL meegeleverd om teksttaken op te halen.
| Veld | Type |
|---|---|
Veldid | Typestring |
Veldmodel | Typestring |
Veldcontent[] | Typetext|thinking|tool_use|other content block |
Veldstop_reason | Typestring|null |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra mistralai/mistral-large-2407
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.