Mistral Large 4 is het multimodale model van Mistral AI voor algemeen gebruik dat instructieopvolging, redeneren, programmeren en agentwerk combineert. Het aanvaardt tekst en beelden en produceert tekst, waaronder uitleg, code en gestructureerde velden. De fijnmazige mixture-of-experts-architectuur gebruikt per token geselecteerde componenten in plaats van alle parameters tegelijk te activeren.
Architectuur en context
De huidige modelpagina vermeldt in totaal 1,05 biljoen parameters, 52 miljard actieve parameters en een beeldencoder met 1,6 miljard parameters. De releasepagina van de maker verduidelijkt de telconventie: 49 miljard actieve parameters per token, of 52 miljard inclusief embeddings en uitvoerlagen. Deze cijfers beschrijven de structuur van het model en niet de lengte van een antwoord.
De maker documenteert een contextvenster van één miljoen tokens. Gebruik het om omvangrijk bronmateriaal, de conversatie en instructies samen te brengen, terwijl u het doel van het uiteindelijke artefact bepaalt. Benoem bij een vraag over meerdere documenten elk document en zijn rol en vraag de bronlocatie naast elke bevinding. Een grote context is nuttig wanneer vereisten, diagrammen en bijbehorende uitleg samen moeten worden bekeken.
Gestructureerde antwoorden en documentvragen
De modelkaart vermeldt gestructureerde uitvoer, functieaanroepen, vragen beantwoorden over documenten, antwoordprefixen, batchindiening en agentconversaties. De documentatie van Mistral voor gestructureerde uitvoer onderscheidt JSON-modus van een aangepast schema. Geef het vereiste JSON-formaat in de prompt op; gebruik een vastgelegd schema wanneer de verbonden interface een specifieke veldstructuur nodig heeft. Een record kan bronfeiten, interpretaties en openstaande vragen scheiden in plaats van ze in één alinea samen te voegen.
Vragen beantwoorden over documenten is een workflow die documentverwerking met taalmodelbegrip combineert. OCR bereidt tekst, structuur en opmaak voor, waarna het model een vraag over dat materiaal beantwoordt. Een verzoek kan een vereiste lokaliseren, verklaringen tussen documenten vergelijken of het bewijsmateriaal voor een beslissing samenvatten. Direct beeldbegrip en een documentworkflow met OCR zijn verwante manieren om bewijsmateriaal voor te bereiden; een documentverwerkingsstap blijft verschillend van beeldinvoer.
Lever bijvoorbeeld een technische specificatie en tekeningen aan, benoem de beoordeelde revisie en vraag een vereistenmatrix. Elke rij kan de vereiste, het ondersteunende document of de tekening, het waargenomen verschil en de nog benodigde verduidelijking bevatten. Behoud labels, eenheden en beeldgebieden die de vergelijking bepalen, zodat het resultaat verbonden blijft met het bronmateriaal.
Programmeren, agents en visueel redeneren
De release beschrijft cyberbeveiligingsanalyse, software-engineering, repositorybegrip en terminalgerichte workflows. Geef voor een defensieve codereview het relevante codepad, het verwachte gedrag en het foutbewijs mee. Vraag de oorzaak, een voorgestelde correctie en voorbeelden die het oude gedrag van het beoogde onderscheiden. Neem voor een repositoryvraag de modules en aanroeprelaties op die nodig zijn om het gekozen gedrag te verklaren.
Functieaanroepen verbinden redeneren met door de toepassing aangeboden tools. De volgorde van de maker definieert de functies, geeft de gebruikersvraag mee, laat het model argumenten voorbereiden, voert de gekozen functie in de toepassing uit en geeft het resultaat terug voor het volgende antwoord. Een voorgestelde aanroep verschilt van uitvoering. De modelkaart vermeldt ook ingebouwde tools binnen de agent- of conversatie-interface van de maker; die horen bij de verbonden workflow en voegen geen nieuwe invoer- of uitvoermodaliteit aan het model toe.
Visueel begrip omvat documenten, grafieken, natuurlijke scènes en technische tekeningen. Een taak rond een technische tekening kan vragen welk gelabeld onderdeel aan een aangeleverde vereiste voldoet, welke maat of annotatie de bevinding ondersteunt en welk gebied nader moet worden bekeken. De voorbeelden van visuele agents in de release combineren interpretatie met inspectiestappen; zoomen, informatie ophalen en andere acties vereisen de omringende toolomgeving.
Wetenschap, wiskunde en professionele eindproducten
De maker beschrijft wetenschappelijk programmeren, data-analyse, modellering en wiskundig redeneren als beoogde toepassingen. Geef vergelijkingen, aannames, eenheden en de vereiste resultaatvorm mee. Een wetenschappelijk programmeerverzoek kan vragen om een implementatie, de betekenis van elke variabele en een plan om de uitvoer met referentievoorwaarden te vergelijken. Die implementatie produceren is een tekstresultaat; de simulatie uitvoeren of een bestand maken vereist de toepassingsomgeving.
Lever voor professioneel documentwerk de bronrapporten aan en bepaal het artefact: een vergelijkingstabel, uitleg, herziene passage of spreadsheetinhoud. Vermeld de berekeningsbasis en behoud de ondersteunende documentlocaties. De release beschrijft ook meertalige training in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie; geef bij de voorbereiding van een meertalige taak de vereiste uitvoertaal en terminologie op.
Nuttige afbakening
De gedocumenteerde modaliteiten zijn tekst- en beeldinvoer met tekstuitvoer. De door de maker opgegeven context van één miljoen tokens is geen afzonderlijke specificatie van de maximale antwoordlengte, en de geraadpleegde bronnen stellen voor deze vermelding geen onafhankelijke harde uitvoerlimiet vast. Houd de exacte Large 4-editie, het voorbereide bewijsmateriaal en de verbonden tools expliciet. Een gestructureerd record, uitleg of voorgestelde actie is het nuttigst wanneer velden, ondersteunende bronnen en de volgende toepassingsstap vóór het verzoek zijn bepaald.
", "aboutText": "Mistral Large 4 is het multimodale model van Mistral AI voor algemeen gebruik dat instructieopvolging, redeneren, programmeren en agentwerk combineert. Het aanvaardt tekst en beelden en produceert tekst, waaronder uitleg, code en gestructureerde velden. De fijnmazige mixture-of-experts-architectuur gebruikt per token geselecteerde componenten in plaats van alle parameters tegelijk te activeren.\n\nArchitectuur en context\n\nDe huidige modelpagina vermeldt in totaal 1,05 biljoen parameters, 52 miljard actieve parameters en een beeldencoder met 1,6 miljard parameters. De releasepagina van de maker verduidelijkt de telconventie: 49 miljard actieve parameters per token, of 52 miljard inclusief embeddings en uitvoerlagen. Deze cijfers beschrijven de structuur van het model en niet de lengte van een antwoord.\n\nDe maker documenteert een contextvenster van één miljoen tokens. Gebruik het om omvangrijk bronmateriaal, de conversatie en instructies samen te brengen, terwijl u het doel van het uiteindelijke artefact bepaalt. Benoem bij een vraag over meerdere documenten elk document en zijn rol en vraag de bronlocatie naast elke bevinding. Een grote context is nuttig wanneer vereisten, diagrammen en bijbehorende uitleg samen moeten worden bekeken.\n\nGestructureerde antwoorden en documentvragen\n\nDe modelkaart vermeldt gestructureerde uitvoer, functieaanroepen, vragen beantwoorden over documenten, antwoordprefixen, batchindiening en agentconversaties. De documentatie van Mistral voor gestructureerde uitvoer onderscheidt JSON-modus van een aangepast schema. Geef het vereiste JSON-formaat in de prompt op; gebruik een vastgelegd schema wanneer de verbonden interface een specifieke veldstructuur nodig heeft. Een record kan bronfeiten, interpretaties en openstaande vragen scheiden in plaats van ze in één alinea samen te voegen.\n\nVragen beantwoorden over documenten is een workflow die documentverwerking met taalmodelbegrip combineert. OCR bereidt tekst, structuur en opmaak voor, waarna het model een vraag over dat materiaal beantwoordt. Een verzoek kan een vereiste lokaliseren, verklaringen tussen documenten vergelijken of het bewijsmateriaal voor een beslissing samenvatten. Direct beeldbegrip en een documentworkflow met OCR zijn verwante manieren om bewijsmateriaal voor te bereiden; een documentverwerkingsstap blijft verschillend van beeldinvoer.\n\nLever bijvoorbeeld een technische specificatie en tekeningen aan, benoem de beoordeelde revisie en vraag een vereistenmatrix. Elke rij kan de vereiste, het ondersteunende document of de tekening, het waargenomen verschil en de nog benodigde verduidelijking bevatten. Behoud labels, eenheden en beeldgebieden die de vergelijking bepalen, zodat het resultaat verbonden blijft met het bronmateriaal.\n\nProgrammeren, agents en visueel redeneren\n\nDe release beschrijft cyberbeveiligingsanalyse, software-engineering, repositorybegrip en terminalgerichte workflows. Geef voor een defensieve codereview het relevante codepad, het verwachte gedrag en het foutbewijs mee. Vraag de oorzaak, een voorgestelde correctie en voorbeelden die het oude gedrag van het beoogde onderscheiden. Neem voor een repositoryvraag de modules en aanroeprelaties op die nodig zijn om het gekozen gedrag te verklaren.\n\nFunctieaanroepen verbinden redeneren met door de toepassing aangeboden tools. De volgorde van de maker definieert de functies, geeft de gebruikersvraag mee, laat het model argumenten voorbereiden, voert de gekozen functie in de toepassing uit en geeft het resultaat terug voor het volgende antwoord. Een voorgestelde aanroep verschilt van uitvoering. De modelkaart vermeldt ook ingebouwde tools binnen de agent- of conversatie-interface van de maker; die horen bij de verbonden workflow en voegen geen nieuwe invoer- of uitvoermodaliteit aan het model toe.\n\nVisueel begrip omvat documenten, grafieken, natuurlijke scènes en technische tekeningen. Een taak rond een technische tekening kan vragen welk gelabeld onderdeel aan een aangeleverde vereiste voldoet, welke maat of annotatie de bevinding ondersteunt en welk gebied nader moet worden bekeken. De voorbeelden van visuele agents in de release combineren interpretatie met inspectiestappen; zoomen, informatie ophalen en andere acties vereisen de omringende toolomgeving.\n\nWetenschap, wiskunde en professionele eindproducten\n\nDe maker beschrijft wetenschappelijk programmeren, data-analyse, modellering en wiskundig redeneren als beoogde toepassingen. Geef vergelijkingen, aannames, eenheden en de vereiste resultaatvorm mee. Een wetenschappelijk programmeerverzoek kan vragen om een implementatie, de betekenis van elke variabele en een plan om de uitvoer met referentievoorwaarden te vergelijken. Die implementatie produceren is een tekstresultaat; de simulatie uitvoeren of een bestand maken vereist de toepassingsomgeving.\n\nLever voor professioneel documentwerk de bronrapporten aan en bepaal het artefact: een vergelijkingstabel, uitleg, herziene passage of spreadsheetinhoud. Vermeld de berekeningsbasis en behoud de ondersteunende documentlocaties. De release beschrijft ook meertalige training in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie; geef bij de voorbereiding van een meertalige taak de vereiste uitvoertaal en terminologie op.\n\nNuttige afbakening\n\nDe gedocumenteerde modaliteiten zijn tekst- en beeldinvoer met tekstuitvoer. De door de maker opgegeven context van één miljoen tokens is geen afzonderlijke specificatie van de maximale antwoordlengte, en de geraadpleegde bronnen stellen voor deze vermelding geen onafhankelijke harde uitvoerlimiet vast. Houd de exacte Large 4-editie, het voorbereide bewijsmateriaal en de verbonden tools expliciet. Een gestructureerd record, uitleg of voorgestelde actie is het nuttigst wanneer velden, ondersteunende bronnen en de volgende toepassingsstap vóór het verzoek zijn bepaald.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 is een tekst-en-beeldmodel voor redeneren, programmeren, documentanalyse en agents met tools. De door de maker opgegeven context van één miljoen tokens ondersteunt omvangrijke bronverzamelingen, met gestructureerde antwoorden, functieaanroepen en een fijnmazige mixture-of-experts-architectuur.
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 4 is het multimodale model van Mistral AI voor algemeen gebruik dat instructieopvolging, redeneren, programmeren en agentwerk combineert. Het aanvaardt tekst en beelden en produceert tekst, waaronder uitleg, code en gestructureerde velden. De fijnmazige mixture-of-experts-architectuur gebruikt per token geselecteerde componenten in plaats van alle parameters tegelijk te activeren.
Architectuur en context
De huidige modelpagina vermeldt in totaal 1,05 biljoen parameters, 52 miljard actieve parameters en een beeldencoder met 1,6 miljard parameters. De releasepagina van de maker verduidelijkt de telconventie: 49 miljard actieve parameters per token, of 52 miljard inclusief embeddings en uitvoerlagen. Deze cijfers beschrijven de structuur van het model en niet de lengte van een antwoord.
De maker documenteert een contextvenster van één miljoen tokens. Gebruik het om omvangrijk bronmateriaal, de conversatie en instructies samen te brengen, terwijl u het doel van het uiteindelijke artefact bepaalt. Benoem bij een vraag over meerdere documenten elk document en zijn rol en vraag de bronlocatie naast elke bevinding. Een grote context is nuttig wanneer vereisten, diagrammen en bijbehorende uitleg samen moeten worden bekeken.
Gestructureerde antwoorden en documentvragen
De modelkaart vermeldt gestructureerde uitvoer, functieaanroepen, vragen beantwoorden over documenten, antwoordprefixen, batchindiening en agentconversaties. De documentatie van Mistral voor gestructureerde uitvoer onderscheidt JSON-modus van een aangepast schema. Geef het vereiste JSON-formaat in de prompt op; gebruik een vastgelegd schema wanneer de verbonden interface een specifieke veldstructuur nodig heeft. Een record kan bronfeiten, interpretaties en openstaande vragen scheiden in plaats van ze in één alinea samen te voegen.
Vragen beantwoorden over documenten is een workflow die documentverwerking met taalmodelbegrip combineert. OCR bereidt tekst, structuur en opmaak voor, waarna het model een vraag over dat materiaal beantwoordt. Een verzoek kan een vereiste lokaliseren, verklaringen tussen documenten vergelijken of het bewijsmateriaal voor een beslissing samenvatten. Direct beeldbegrip en een documentworkflow met OCR zijn verwante manieren om bewijsmateriaal voor te bereiden; een documentverwerkingsstap blijft verschillend van beeldinvoer.
Lever bijvoorbeeld een technische specificatie en tekeningen aan, benoem de beoordeelde revisie en vraag een vereistenmatrix. Elke rij kan de vereiste, het ondersteunende document of de tekening, het waargenomen verschil en de nog benodigde verduidelijking bevatten. Behoud labels, eenheden en beeldgebieden die de vergelijking bepalen, zodat het resultaat verbonden blijft met het bronmateriaal.
Programmeren, agents en visueel redeneren
De release beschrijft cyberbeveiligingsanalyse, software-engineering, repositorybegrip en terminalgerichte workflows. Geef voor een defensieve codereview het relevante codepad, het verwachte gedrag en het foutbewijs mee. Vraag de oorzaak, een voorgestelde correctie en voorbeelden die het oude gedrag van het beoogde onderscheiden. Neem voor een repositoryvraag de modules en aanroeprelaties op die nodig zijn om het gekozen gedrag te verklaren.
Functieaanroepen verbinden redeneren met door de toepassing aangeboden tools. De volgorde van de maker definieert de functies, geeft de gebruikersvraag mee, laat het model argumenten voorbereiden, voert de gekozen functie in de toepassing uit en geeft het resultaat terug voor het volgende antwoord. Een voorgestelde aanroep verschilt van uitvoering. De modelkaart vermeldt ook ingebouwde tools binnen de agent- of conversatie-interface van de maker; die horen bij de verbonden workflow en voegen geen nieuwe invoer- of uitvoermodaliteit aan het model toe.
Visueel begrip omvat documenten, grafieken, natuurlijke scènes en technische tekeningen. Een taak rond een technische tekening kan vragen welk gelabeld onderdeel aan een aangeleverde vereiste voldoet, welke maat of annotatie de bevinding ondersteunt en welk gebied nader moet worden bekeken. De voorbeelden van visuele agents in de release combineren interpretatie met inspectiestappen; zoomen, informatie ophalen en andere acties vereisen de omringende toolomgeving.
Wetenschap, wiskunde en professionele eindproducten
De maker beschrijft wetenschappelijk programmeren, data-analyse, modellering en wiskundig redeneren als beoogde toepassingen. Geef vergelijkingen, aannames, eenheden en de vereiste resultaatvorm mee. Een wetenschappelijk programmeerverzoek kan vragen om een implementatie, de betekenis van elke variabele en een plan om de uitvoer met referentievoorwaarden te vergelijken. Die implementatie produceren is een tekstresultaat; de simulatie uitvoeren of een bestand maken vereist de toepassingsomgeving.
Lever voor professioneel documentwerk de bronrapporten aan en bepaal het artefact: een vergelijkingstabel, uitleg, herziene passage of spreadsheetinhoud. Vermeld de berekeningsbasis en behoud de ondersteunende documentlocaties. De release beschrijft ook meertalige training in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie; geef bij de voorbereiding van een meertalige taak de vereiste uitvoertaal en terminologie op.
Nuttige afbakening
De gedocumenteerde modaliteiten zijn tekst- en beeldinvoer met tekstuitvoer. De door de maker opgegeven context van één miljoen tokens is geen afzonderlijke specificatie van de maximale antwoordlengte, en de geraadpleegde bronnen stellen voor deze vermelding geen onafhankelijke harde uitvoerlimiet vast. Houd de exacte Large 4-editie, het voorbereide bewijsmateriaal en de verbonden tools expliciet. Een gestructureerd record, uitleg of voorgestelde actie is het nuttigst wanneer velden, ondersteunende bronnen en de volgende toepassingsstap vóór het verzoek zijn bepaald.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokens Uitvoer · Uitvoertokens $0.00836 / 1K tokens Invoer · Cache lezen $0.00028 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00272 / 1K tokens Uitvoer · Uitvoertokens $0.00836 / 1K tokens Invoer · Cache lezen $0.00028 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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-4-0", "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-4-0',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-4-0',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-4-0
Gebruik de hierboven getoonde methodepaden.
mistralai/mistral-large-4-0Mistral Large 4 is een tekst-en-beeldmodel voor redeneren, programmeren, documentanalyse en agents met tools. De door de maker opgegeven context van één miljoen tokens ondersteunt omvangrijke bronverzamelingen, met gestructureerde antwoorden, functieaanroepen en een fijnmazige mixture-of-experts-architectuur.
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 4 is het multimodale model van Mistral AI voor algemeen gebruik dat instructieopvolging, redeneren, programmeren en agentwerk combineert. Het aanvaardt tekst en beelden en produceert tekst, waaronder uitleg, code en gestructureerde velden. De fijnmazige mixture-of-experts-architectuur gebruikt per token geselecteerde componenten in plaats van alle parameters tegelijk te activeren.
Architectuur en context
De huidige modelpagina vermeldt in totaal 1,05 biljoen parameters, 52 miljard actieve parameters en een beeldencoder met 1,6 miljard parameters. De releasepagina van de maker verduidelijkt de telconventie: 49 miljard actieve parameters per token, of 52 miljard inclusief embeddings en uitvoerlagen. Deze cijfers beschrijven de structuur van het model en niet de lengte van een antwoord.
De maker documenteert een contextvenster van één miljoen tokens. Gebruik het om omvangrijk bronmateriaal, de conversatie en instructies samen te brengen, terwijl u het doel van het uiteindelijke artefact bepaalt. Benoem bij een vraag over meerdere documenten elk document en zijn rol en vraag de bronlocatie naast elke bevinding. Een grote context is nuttig wanneer vereisten, diagrammen en bijbehorende uitleg samen moeten worden bekeken.
Gestructureerde antwoorden en documentvragen
De modelkaart vermeldt gestructureerde uitvoer, functieaanroepen, vragen beantwoorden over documenten, antwoordprefixen, batchindiening en agentconversaties. De documentatie van Mistral voor gestructureerde uitvoer onderscheidt JSON-modus van een aangepast schema. Geef het vereiste JSON-formaat in de prompt op; gebruik een vastgelegd schema wanneer de verbonden interface een specifieke veldstructuur nodig heeft. Een record kan bronfeiten, interpretaties en openstaande vragen scheiden in plaats van ze in één alinea samen te voegen.
Vragen beantwoorden over documenten is een workflow die documentverwerking met taalmodelbegrip combineert. OCR bereidt tekst, structuur en opmaak voor, waarna het model een vraag over dat materiaal beantwoordt. Een verzoek kan een vereiste lokaliseren, verklaringen tussen documenten vergelijken of het bewijsmateriaal voor een beslissing samenvatten. Direct beeldbegrip en een documentworkflow met OCR zijn verwante manieren om bewijsmateriaal voor te bereiden; een documentverwerkingsstap blijft verschillend van beeldinvoer.
Lever bijvoorbeeld een technische specificatie en tekeningen aan, benoem de beoordeelde revisie en vraag een vereistenmatrix. Elke rij kan de vereiste, het ondersteunende document of de tekening, het waargenomen verschil en de nog benodigde verduidelijking bevatten. Behoud labels, eenheden en beeldgebieden die de vergelijking bepalen, zodat het resultaat verbonden blijft met het bronmateriaal.
Programmeren, agents en visueel redeneren
De release beschrijft cyberbeveiligingsanalyse, software-engineering, repositorybegrip en terminalgerichte workflows. Geef voor een defensieve codereview het relevante codepad, het verwachte gedrag en het foutbewijs mee. Vraag de oorzaak, een voorgestelde correctie en voorbeelden die het oude gedrag van het beoogde onderscheiden. Neem voor een repositoryvraag de modules en aanroeprelaties op die nodig zijn om het gekozen gedrag te verklaren.
Functieaanroepen verbinden redeneren met door de toepassing aangeboden tools. De volgorde van de maker definieert de functies, geeft de gebruikersvraag mee, laat het model argumenten voorbereiden, voert de gekozen functie in de toepassing uit en geeft het resultaat terug voor het volgende antwoord. Een voorgestelde aanroep verschilt van uitvoering. De modelkaart vermeldt ook ingebouwde tools binnen de agent- of conversatie-interface van de maker; die horen bij de verbonden workflow en voegen geen nieuwe invoer- of uitvoermodaliteit aan het model toe.
Visueel begrip omvat documenten, grafieken, natuurlijke scènes en technische tekeningen. Een taak rond een technische tekening kan vragen welk gelabeld onderdeel aan een aangeleverde vereiste voldoet, welke maat of annotatie de bevinding ondersteunt en welk gebied nader moet worden bekeken. De voorbeelden van visuele agents in de release combineren interpretatie met inspectiestappen; zoomen, informatie ophalen en andere acties vereisen de omringende toolomgeving.
Wetenschap, wiskunde en professionele eindproducten
De maker beschrijft wetenschappelijk programmeren, data-analyse, modellering en wiskundig redeneren als beoogde toepassingen. Geef vergelijkingen, aannames, eenheden en de vereiste resultaatvorm mee. Een wetenschappelijk programmeerverzoek kan vragen om een implementatie, de betekenis van elke variabele en een plan om de uitvoer met referentievoorwaarden te vergelijken. Die implementatie produceren is een tekstresultaat; de simulatie uitvoeren of een bestand maken vereist de toepassingsomgeving.
Lever voor professioneel documentwerk de bronrapporten aan en bepaal het artefact: een vergelijkingstabel, uitleg, herziene passage of spreadsheetinhoud. Vermeld de berekeningsbasis en behoud de ondersteunende documentlocaties. De release beschrijft ook meertalige training in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie; geef bij de voorbereiding van een meertalige taak de vereiste uitvoertaal en terminologie op.
Nuttige afbakening
De gedocumenteerde modaliteiten zijn tekst- en beeldinvoer met tekstuitvoer. De door de maker opgegeven context van één miljoen tokens is geen afzonderlijke specificatie van de maximale antwoordlengte, en de geraadpleegde bronnen stellen voor deze vermelding geen onafhankelijke harde uitvoerlimiet vast. Houd de exacte Large 4-editie, het voorbereide bewijsmateriaal en de verbonden tools expliciet. Een gestructureerd record, uitleg of voorgestelde actie is het nuttigst wanneer velden, ondersteunende bronnen en de volgende toepassingsstap vóór het verzoek zijn bepaald.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokens Uitvoer · Uitvoertokens $0.00836 / 1K tokens Invoer · Cache lezen $0.00028 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
| ConfiguratieAanvraaglengte · niveau 1 | Tariefstaffel— | Contexttokens, meer dan0 | Contexttokens, tot en metGeen bovengrens | Kosten Invoer · Invoertokens $0.00272 / 1K tokens Uitvoer · Uitvoertokens $0.00836 / 1K tokens Invoer · Cache lezen $0.00028 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-0', '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-4-0', '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-4-0
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.