Mistral Large 3 2512 is de op instructies afgestemde editie van Mistral AI voor algemene conversatie, visueel begrip en bedrijfswerk. De sparse mixture-of-experts-architectuur heeft in totaal 675 miljard parameters, waarvan 41 miljard actief, en een contextvenster van 256k. Tekst en beelden kunnen aan dezelfde taak bijdragen, terwijl het antwoord tekst, code of een gestructureerd resultaat is.
Mogelijkheden en invoervoorbereiding
Het model combineert een taalcomponent met een beeldencoder. Geef een afbeelding een duidelijke rol: een te lezen pagina, een te interpreteren diagram of een uit te leggen scherm. Lever bij een druk scherm een uitsnede met de relevante bedieningselementen en behoud de omringende labels die nodig zijn om ze te begrijpen. Mistral beveelt beeldvormen dicht bij vierkant aan; verdeel een uitzonderlijk smalle of brede bron in bruikbare gebieden in plaats van belangrijke details tot een onleesbare strook te verkleinen.
De maker vermeldt meertalige conversatie in tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Geef de uitvoertaal, beoogde lezer en te behouden terminologie op. Vraag voor een ondersteuningsartikel een gelokaliseerde uitleg met ongewijzigde productnamen en een korte lijst van onzekere vertalingen die vóór publicatie moeten worden opgehelderd.
Lange documenten en bedrijfskennis
Gebruik de context om gerelateerd materiaal samen te brengen: beleidstekst, een specificatie, bestaande beslissingen en de vraag die moet worden beantwoord. Label elke bron en revisie. Een nuttig verzoek is: “Vergelijk deze drie beleidsdocumenten voor onboarding. Geef een tabel met gedeelde vereisten, conflicten en onbeantwoorde vragen, met bij elke bevinding de bronsectie.” Het resulterende artefact is een vergelijking die op de aangeleverde passages steunt en geen algemene samenvatting van het onderwerp.
Bepaal voor een documentvraag het gewenste detailniveau en vraag de ondersteunende passage naast de conclusie. De Document QnA-workflow van Mistral extraheert eerst tekst en documentstructuur met OCR en gebruikt vervolgens een taalmodel om dat materiaal te interpreteren. Behoud paginanummers en koppen bij het voorbereiden van geëxtraheerde tekst, zodat het antwoord naar het origineel kan verwijzen. Een document-URL, geëxtraheerde tekst en beeldbewijs vereisen verschillende voorbereiding; kies de invoervorm die de gebruikte toepassing ondersteunt.
Programmeren en dagelijkse ondersteuning
Mistral positioneert Large 3 zowel voor programmeerondersteuning als voor dagelijkse conversatie. Geef de relevante functies, het verwachte gedrag en de waargenomen fout mee. Bijvoorbeeld: “Deze parser laat het laatste veld weg wanneer de invoer zonder regeleinde eindigt. Leg de falende vertakking uit, stel de kleinste wijziging voor en geef de gecorrigeerde functie met drie representatieve invoer-/uitvoervoorbeelden.” Het nuttige resultaat is een voorgestelde wijziging die aan de werkelijke code gekoppeld is, met een reeks gevallen die de ontwikkelaar kan uitvoeren.
Geef voor een zakelijk concept de feiten en het gewenste artefact samen mee. Een verzoek om vergadernotities in een beslisnota om te zetten moet de beslissing, alternatieven, onopgeloste aannames en volgende actie benoemen. Vraag het model bronfeiten van aanbevelingen te scheiden en ontbrekende informatie in de juiste sectie aan te duiden. Dat maakt de uitvoer gemakkelijker te herzien dan een onverdeeld verhaal.
Tools en gestructureerde resultaten
Met ingebouwde functieaanroepen kan het model een aangeleverde functie kiezen en de argumenten voorbereiden. De toepassing voert die functie uit en geeft het resultaat terug; het model gebruikt vervolgens die informatie in het antwoord. Houd tools specifiek en stel alleen beschikbaar wat voor de taak nodig is. Een voorraadassistent kan een productreferentie ontvangen, een voorraadopzoeking vragen en de teruggegeven hoeveelheid en het magazijn uitleggen. Valideer de geselecteerde functie en argumenten vóór uitvoering van het verzoek en bewaar het toolantwoord bij het definitieve antwoord.
Geef voor extractie de velden, types en behandeling van ontbrekende waarden op. Mistral documenteert JSON-modus en aangepaste gestructureerde uitvoer; JSON-modus vereist een expliciete instructie om JSON terug te geven, terwijl een aangepast schema sterkere formaatcontrole biedt. Een factuursamenvatting kan vragen naar leverancier, factuurnummer, vervaldatum, valuta en factuurregels, waarbij ontbrekende waarden consequent worden weergegeven. Controleer de geëxtraheerde waarden aan het document, ook wanneer het antwoord overeenkomt met de gevraagde structuur.
Instellingen en editieverschillen
Definieer rol, taak en toolregels in de systeeminstructies. Mistral beveelt voor productie en dagelijks gebruik van dit checkpoint een temperatuur lager dan 0,1 aan, met hogere waarden voor creatieve taken. Scheid een verzoek om uiteenlopende ideeën van een verzoek om reproduceerbare extractie: geef het eerste ruimte voor alternatieven en het tweede expliciete velden en bronbeperkingen.
Deze instructie-editie staat los van het Large 3-base-checkpoint en van specifieke redeneermodellen. De maker noemt strikt redeneren en gespecialiseerd visueel werk als gebieden waarvoor een speciaal ontworpen model de voorkeur kan hebben. Geef bij een moeilijke berekening aannames en eenheden mee, vraag tussentijdse controles en gebruik een beschikbare rekentool om het resultaat te verifiëren. Bereid bij dicht visueel bewijsmateriaal leesbare gebieden voor en vergelijk het antwoord met de bron voordat u het in een rapport gebruikt.
", "aboutText": "Mistral Large 3 2512 is de op instructies afgestemde editie van Mistral AI voor algemene conversatie, visueel begrip en bedrijfswerk. De sparse mixture-of-experts-architectuur heeft in totaal 675 miljard parameters, waarvan 41 miljard actief, en een contextvenster van 256k. Tekst en beelden kunnen aan dezelfde taak bijdragen, terwijl het antwoord tekst, code of een gestructureerd resultaat is.\n\nMogelijkheden en invoervoorbereiding\n\nHet model combineert een taalcomponent met een beeldencoder. Geef een afbeelding een duidelijke rol: een te lezen pagina, een te interpreteren diagram of een uit te leggen scherm. Lever bij een druk scherm een uitsnede met de relevante bedieningselementen en behoud de omringende labels die nodig zijn om ze te begrijpen. Mistral beveelt beeldvormen dicht bij vierkant aan; verdeel een uitzonderlijk smalle of brede bron in bruikbare gebieden in plaats van belangrijke details tot een onleesbare strook te verkleinen.\n\nDe maker vermeldt meertalige conversatie in tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Geef de uitvoertaal, beoogde lezer en te behouden terminologie op. Vraag voor een ondersteuningsartikel een gelokaliseerde uitleg met ongewijzigde productnamen en een korte lijst van onzekere vertalingen die vóór publicatie moeten worden opgehelderd.\n\nLange documenten en bedrijfskennis\n\nGebruik de context om gerelateerd materiaal samen te brengen: beleidstekst, een specificatie, bestaande beslissingen en de vraag die moet worden beantwoord. Label elke bron en revisie. Een nuttig verzoek is: “Vergelijk deze drie beleidsdocumenten voor onboarding. Geef een tabel met gedeelde vereisten, conflicten en onbeantwoorde vragen, met bij elke bevinding de bronsectie.” Het resulterende artefact is een vergelijking die op de aangeleverde passages steunt en geen algemene samenvatting van het onderwerp.\n\nBepaal voor een documentvraag het gewenste detailniveau en vraag de ondersteunende passage naast de conclusie. De Document QnA-workflow van Mistral extraheert eerst tekst en documentstructuur met OCR en gebruikt vervolgens een taalmodel om dat materiaal te interpreteren. Behoud paginanummers en koppen bij het voorbereiden van geëxtraheerde tekst, zodat het antwoord naar het origineel kan verwijzen. Een document-URL, geëxtraheerde tekst en beeldbewijs vereisen verschillende voorbereiding; kies de invoervorm die de gebruikte toepassing ondersteunt.\n\nProgrammeren en dagelijkse ondersteuning\n\nMistral positioneert Large 3 zowel voor programmeerondersteuning als voor dagelijkse conversatie. Geef de relevante functies, het verwachte gedrag en de waargenomen fout mee. Bijvoorbeeld: “Deze parser laat het laatste veld weg wanneer de invoer zonder regeleinde eindigt. Leg de falende vertakking uit, stel de kleinste wijziging voor en geef de gecorrigeerde functie met drie representatieve invoer-/uitvoervoorbeelden.” Het nuttige resultaat is een voorgestelde wijziging die aan de werkelijke code gekoppeld is, met een reeks gevallen die de ontwikkelaar kan uitvoeren.\n\nGeef voor een zakelijk concept de feiten en het gewenste artefact samen mee. Een verzoek om vergadernotities in een beslisnota om te zetten moet de beslissing, alternatieven, onopgeloste aannames en volgende actie benoemen. Vraag het model bronfeiten van aanbevelingen te scheiden en ontbrekende informatie in de juiste sectie aan te duiden. Dat maakt de uitvoer gemakkelijker te herzien dan een onverdeeld verhaal.\n\nTools en gestructureerde resultaten\n\nMet ingebouwde functieaanroepen kan het model een aangeleverde functie kiezen en de argumenten voorbereiden. De toepassing voert die functie uit en geeft het resultaat terug; het model gebruikt vervolgens die informatie in het antwoord. Houd tools specifiek en stel alleen beschikbaar wat voor de taak nodig is. Een voorraadassistent kan een productreferentie ontvangen, een voorraadopzoeking vragen en de teruggegeven hoeveelheid en het magazijn uitleggen. Valideer de geselecteerde functie en argumenten vóór uitvoering van het verzoek en bewaar het toolantwoord bij het definitieve antwoord.\n\nGeef voor extractie de velden, types en behandeling van ontbrekende waarden op. Mistral documenteert JSON-modus en aangepaste gestructureerde uitvoer; JSON-modus vereist een expliciete instructie om JSON terug te geven, terwijl een aangepast schema sterkere formaatcontrole biedt. Een factuursamenvatting kan vragen naar leverancier, factuurnummer, vervaldatum, valuta en factuurregels, waarbij ontbrekende waarden consequent worden weergegeven. Controleer de geëxtraheerde waarden aan het document, ook wanneer het antwoord overeenkomt met de gevraagde structuur.\n\nInstellingen en editieverschillen\n\nDefinieer rol, taak en toolregels in de systeeminstructies. Mistral beveelt voor productie en dagelijks gebruik van dit checkpoint een temperatuur lager dan 0,1 aan, met hogere waarden voor creatieve taken. Scheid een verzoek om uiteenlopende ideeën van een verzoek om reproduceerbare extractie: geef het eerste ruimte voor alternatieven en het tweede expliciete velden en bronbeperkingen.\n\nDeze instructie-editie staat los van het Large 3-base-checkpoint en van specifieke redeneermodellen. De maker noemt strikt redeneren en gespecialiseerd visueel werk als gebieden waarvoor een speciaal ontworpen model de voorkeur kan hebben. Geef bij een moeilijke berekening aannames en eenheden mee, vraag tussentijdse controles en gebruik een beschikbare rekentool om het resultaat te verifiëren. Bereid bij dicht visueel bewijsmateriaal leesbare gebieden voor en vergelijk het antwoord met de bron voordat u het in een rapport gebruikt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral Large 3 2512 is een meertalig tekst-en-beeldmodel voor lange documenten, bedrijfskennis, programmeren en werk met tools. De context van 256k, ingebouwde functieaanroepen en gestructureerde uitvoer helpen aangeleverd bewijsmateriaal om te zetten in antwoorden, records en voorgestelde acties.
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 3 2512 is de op instructies afgestemde editie van Mistral AI voor algemene conversatie, visueel begrip en bedrijfswerk. De sparse mixture-of-experts-architectuur heeft in totaal 675 miljard parameters, waarvan 41 miljard actief, en een contextvenster van 256k. Tekst en beelden kunnen aan dezelfde taak bijdragen, terwijl het antwoord tekst, code of een gestructureerd resultaat is.
Mogelijkheden en invoervoorbereiding
Het model combineert een taalcomponent met een beeldencoder. Geef een afbeelding een duidelijke rol: een te lezen pagina, een te interpreteren diagram of een uit te leggen scherm. Lever bij een druk scherm een uitsnede met de relevante bedieningselementen en behoud de omringende labels die nodig zijn om ze te begrijpen. Mistral beveelt beeldvormen dicht bij vierkant aan; verdeel een uitzonderlijk smalle of brede bron in bruikbare gebieden in plaats van belangrijke details tot een onleesbare strook te verkleinen.
De maker vermeldt meertalige conversatie in tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Geef de uitvoertaal, beoogde lezer en te behouden terminologie op. Vraag voor een ondersteuningsartikel een gelokaliseerde uitleg met ongewijzigde productnamen en een korte lijst van onzekere vertalingen die vóór publicatie moeten worden opgehelderd.
Lange documenten en bedrijfskennis
Gebruik de context om gerelateerd materiaal samen te brengen: beleidstekst, een specificatie, bestaande beslissingen en de vraag die moet worden beantwoord. Label elke bron en revisie. Een nuttig verzoek is: “Vergelijk deze drie beleidsdocumenten voor onboarding. Geef een tabel met gedeelde vereisten, conflicten en onbeantwoorde vragen, met bij elke bevinding de bronsectie.” Het resulterende artefact is een vergelijking die op de aangeleverde passages steunt en geen algemene samenvatting van het onderwerp.
Bepaal voor een documentvraag het gewenste detailniveau en vraag de ondersteunende passage naast de conclusie. De Document QnA-workflow van Mistral extraheert eerst tekst en documentstructuur met OCR en gebruikt vervolgens een taalmodel om dat materiaal te interpreteren. Behoud paginanummers en koppen bij het voorbereiden van geëxtraheerde tekst, zodat het antwoord naar het origineel kan verwijzen. Een document-URL, geëxtraheerde tekst en beeldbewijs vereisen verschillende voorbereiding; kies de invoervorm die de gebruikte toepassing ondersteunt.
Programmeren en dagelijkse ondersteuning
Mistral positioneert Large 3 zowel voor programmeerondersteuning als voor dagelijkse conversatie. Geef de relevante functies, het verwachte gedrag en de waargenomen fout mee. Bijvoorbeeld: “Deze parser laat het laatste veld weg wanneer de invoer zonder regeleinde eindigt. Leg de falende vertakking uit, stel de kleinste wijziging voor en geef de gecorrigeerde functie met drie representatieve invoer-/uitvoervoorbeelden.” Het nuttige resultaat is een voorgestelde wijziging die aan de werkelijke code gekoppeld is, met een reeks gevallen die de ontwikkelaar kan uitvoeren.
Geef voor een zakelijk concept de feiten en het gewenste artefact samen mee. Een verzoek om vergadernotities in een beslisnota om te zetten moet de beslissing, alternatieven, onopgeloste aannames en volgende actie benoemen. Vraag het model bronfeiten van aanbevelingen te scheiden en ontbrekende informatie in de juiste sectie aan te duiden. Dat maakt de uitvoer gemakkelijker te herzien dan een onverdeeld verhaal.
Tools en gestructureerde resultaten
Met ingebouwde functieaanroepen kan het model een aangeleverde functie kiezen en de argumenten voorbereiden. De toepassing voert die functie uit en geeft het resultaat terug; het model gebruikt vervolgens die informatie in het antwoord. Houd tools specifiek en stel alleen beschikbaar wat voor de taak nodig is. Een voorraadassistent kan een productreferentie ontvangen, een voorraadopzoeking vragen en de teruggegeven hoeveelheid en het magazijn uitleggen. Valideer de geselecteerde functie en argumenten vóór uitvoering van het verzoek en bewaar het toolantwoord bij het definitieve antwoord.
Geef voor extractie de velden, types en behandeling van ontbrekende waarden op. Mistral documenteert JSON-modus en aangepaste gestructureerde uitvoer; JSON-modus vereist een expliciete instructie om JSON terug te geven, terwijl een aangepast schema sterkere formaatcontrole biedt. Een factuursamenvatting kan vragen naar leverancier, factuurnummer, vervaldatum, valuta en factuurregels, waarbij ontbrekende waarden consequent worden weergegeven. Controleer de geëxtraheerde waarden aan het document, ook wanneer het antwoord overeenkomt met de gevraagde structuur.
Instellingen en editieverschillen
Definieer rol, taak en toolregels in de systeeminstructies. Mistral beveelt voor productie en dagelijks gebruik van dit checkpoint een temperatuur lager dan 0,1 aan, met hogere waarden voor creatieve taken. Scheid een verzoek om uiteenlopende ideeën van een verzoek om reproduceerbare extractie: geef het eerste ruimte voor alternatieven en het tweede expliciete velden en bronbeperkingen.
Deze instructie-editie staat los van het Large 3-base-checkpoint en van specifieke redeneermodellen. De maker noemt strikt redeneren en gespecialiseerd visueel werk als gebieden waarvoor een speciaal ontworpen model de voorkeur kan hebben. Geef bij een moeilijke berekening aannames en eenheden mee, vraag tussentijdse controles en gebruik een beschikbare rekentool om het resultaat te verifiëren. Bereid bij dicht visueel bewijsmateriaal leesbare gebieden voor en vergelijk het antwoord met de bron voordat u het in een rapport gebruikt.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-large-2512 | 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 $0.0022 / 1K tokens Uitvoer · Uitvoertokens $0.0066 / 1K tokens Invoer · Cache lezen $0.0001 / 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 $0.0022 / 1K tokens Uitvoer · Uitvoertokens $0.0066 / 1K tokens Invoer · Cache lezen $0.0001 / 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-2512", "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-2512',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-2512',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-2512
Gebruik de hierboven getoonde methodepaden.
mistralai/mistral-large-2512Mistral Large 3 2512 is een meertalig tekst-en-beeldmodel voor lange documenten, bedrijfskennis, programmeren en werk met tools. De context van 256k, ingebouwde functieaanroepen en gestructureerde uitvoer helpen aangeleverd bewijsmateriaal om te zetten in antwoorden, records en voorgestelde acties.
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 3 2512 is de op instructies afgestemde editie van Mistral AI voor algemene conversatie, visueel begrip en bedrijfswerk. De sparse mixture-of-experts-architectuur heeft in totaal 675 miljard parameters, waarvan 41 miljard actief, en een contextvenster van 256k. Tekst en beelden kunnen aan dezelfde taak bijdragen, terwijl het antwoord tekst, code of een gestructureerd resultaat is.
Mogelijkheden en invoervoorbereiding
Het model combineert een taalcomponent met een beeldencoder. Geef een afbeelding een duidelijke rol: een te lezen pagina, een te interpreteren diagram of een uit te leggen scherm. Lever bij een druk scherm een uitsnede met de relevante bedieningselementen en behoud de omringende labels die nodig zijn om ze te begrijpen. Mistral beveelt beeldvormen dicht bij vierkant aan; verdeel een uitzonderlijk smalle of brede bron in bruikbare gebieden in plaats van belangrijke details tot een onleesbare strook te verkleinen.
De maker vermeldt meertalige conversatie in tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Geef de uitvoertaal, beoogde lezer en te behouden terminologie op. Vraag voor een ondersteuningsartikel een gelokaliseerde uitleg met ongewijzigde productnamen en een korte lijst van onzekere vertalingen die vóór publicatie moeten worden opgehelderd.
Lange documenten en bedrijfskennis
Gebruik de context om gerelateerd materiaal samen te brengen: beleidstekst, een specificatie, bestaande beslissingen en de vraag die moet worden beantwoord. Label elke bron en revisie. Een nuttig verzoek is: “Vergelijk deze drie beleidsdocumenten voor onboarding. Geef een tabel met gedeelde vereisten, conflicten en onbeantwoorde vragen, met bij elke bevinding de bronsectie.” Het resulterende artefact is een vergelijking die op de aangeleverde passages steunt en geen algemene samenvatting van het onderwerp.
Bepaal voor een documentvraag het gewenste detailniveau en vraag de ondersteunende passage naast de conclusie. De Document QnA-workflow van Mistral extraheert eerst tekst en documentstructuur met OCR en gebruikt vervolgens een taalmodel om dat materiaal te interpreteren. Behoud paginanummers en koppen bij het voorbereiden van geëxtraheerde tekst, zodat het antwoord naar het origineel kan verwijzen. Een document-URL, geëxtraheerde tekst en beeldbewijs vereisen verschillende voorbereiding; kies de invoervorm die de gebruikte toepassing ondersteunt.
Programmeren en dagelijkse ondersteuning
Mistral positioneert Large 3 zowel voor programmeerondersteuning als voor dagelijkse conversatie. Geef de relevante functies, het verwachte gedrag en de waargenomen fout mee. Bijvoorbeeld: “Deze parser laat het laatste veld weg wanneer de invoer zonder regeleinde eindigt. Leg de falende vertakking uit, stel de kleinste wijziging voor en geef de gecorrigeerde functie met drie representatieve invoer-/uitvoervoorbeelden.” Het nuttige resultaat is een voorgestelde wijziging die aan de werkelijke code gekoppeld is, met een reeks gevallen die de ontwikkelaar kan uitvoeren.
Geef voor een zakelijk concept de feiten en het gewenste artefact samen mee. Een verzoek om vergadernotities in een beslisnota om te zetten moet de beslissing, alternatieven, onopgeloste aannames en volgende actie benoemen. Vraag het model bronfeiten van aanbevelingen te scheiden en ontbrekende informatie in de juiste sectie aan te duiden. Dat maakt de uitvoer gemakkelijker te herzien dan een onverdeeld verhaal.
Tools en gestructureerde resultaten
Met ingebouwde functieaanroepen kan het model een aangeleverde functie kiezen en de argumenten voorbereiden. De toepassing voert die functie uit en geeft het resultaat terug; het model gebruikt vervolgens die informatie in het antwoord. Houd tools specifiek en stel alleen beschikbaar wat voor de taak nodig is. Een voorraadassistent kan een productreferentie ontvangen, een voorraadopzoeking vragen en de teruggegeven hoeveelheid en het magazijn uitleggen. Valideer de geselecteerde functie en argumenten vóór uitvoering van het verzoek en bewaar het toolantwoord bij het definitieve antwoord.
Geef voor extractie de velden, types en behandeling van ontbrekende waarden op. Mistral documenteert JSON-modus en aangepaste gestructureerde uitvoer; JSON-modus vereist een expliciete instructie om JSON terug te geven, terwijl een aangepast schema sterkere formaatcontrole biedt. Een factuursamenvatting kan vragen naar leverancier, factuurnummer, vervaldatum, valuta en factuurregels, waarbij ontbrekende waarden consequent worden weergegeven. Controleer de geëxtraheerde waarden aan het document, ook wanneer het antwoord overeenkomt met de gevraagde structuur.
Instellingen en editieverschillen
Definieer rol, taak en toolregels in de systeeminstructies. Mistral beveelt voor productie en dagelijks gebruik van dit checkpoint een temperatuur lager dan 0,1 aan, met hogere waarden voor creatieve taken. Scheid een verzoek om uiteenlopende ideeën van een verzoek om reproduceerbare extractie: geef het eerste ruimte voor alternatieven en het tweede expliciete velden en bronbeperkingen.
Deze instructie-editie staat los van het Large 3-base-checkpoint en van specifieke redeneermodellen. De maker noemt strikt redeneren en gespecialiseerd visueel werk als gebieden waarvoor een speciaal ontworpen model de voorkeur kan hebben. Geef bij een moeilijke berekening aannames en eenheden mee, vraag tussentijdse controles en gebruik een beschikbare rekentool om het resultaat te verifiëren. Bereid bij dicht visueel bewijsmateriaal leesbare gebieden voor en vergelijk het antwoord met de bron voordat u het in een rapport gebruikt.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-large-2512 | 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 $0.0022 / 1K tokens Uitvoer · Uitvoertokens $0.0066 / 1K tokens Invoer · Cache lezen $0.0001 / 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 $0.0022 / 1K tokens Uitvoer · Uitvoertokens $0.0066 / 1K tokens Invoer · Cache lezen $0.0001 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2512', '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-2512', '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-2512
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.