Mistral Large is de multimodale familie van Mistral AI voor algemeen gebruik bij complex documentwerk, software-engineering en agenttaken. Large 4 combineert instructieopvolging, redeneren en toolgebruik met ingebouwd visueel begrip. De fijnmazige mixture-of-experts-architectuur heeft in totaal 1,05 biljoen parameters en 52 miljard actieve parameters, naast een beeldencoder met 1,6 miljard parameters. Het contextvenster van Large 4 bedraagt 1M tokens. Large 3 is een afzonderlijke editie met in totaal 675 miljard parameters, 41 miljard actieve parameters en een contextvenster van 256K.
Het model werkt met schriftelijke taken en visueel materiaal om tekst, code of gestructureerde resultaten te produceren. In de redeneerworkflow van Large 4 retourneert een instelling met minimale inspanning het antwoord direct, terwijl hoge inspanning een redeneersegment vóór het definitieve antwoord omvat. Volledige assistentberichten behouden de continuïteit over vervolgbeurten. Gestructureerde uitvoer kan JSON of een aangepast schema gebruiken, en de toepassing kan een prefix meegeven voor een gecontroleerd begin van het antwoord.
Functieaanroepen verbinden een analytische taak met externe informatie en acties. Geef functiebeschrijvingen, invoervelden en het gebruikersdoel mee. Het model kiest een functie en bereidt argumenten voor; de toepassing voert ze uit, retourneert het resultaat en zet de conversatie voort. De workflow kan opeenvolgende of meerdere parallelle aanroepen omvatten. Vragen beantwoorden over documenten combineert documentextractie met taalbegrip, terwijl batchverwerking verzamelingen verzoeken asynchroon behandelt. De toepassing rond het model levert de beschikbaarheid en uitvoering van tools.
De mogelijkheden van Large 4 beginnen bij beveiligingsanalyse: de fabrikant beschrijft malwaretriage, prioritering van kwetsbaarheden en het voorbereiden van detectieregels voor defensief werk. Bij programmeren met agents ligt de nadruk op repositorybegrip, softwarewijzigingen en complexe terminalworkflows. Een nuttige programmeeropdracht identificeert het betrokken gedrag, de betrokken bestanden en afhankelijkheden en de controles die een correct resultaat vaststellen.
Voor algemene agentworkflows kan het model materiaal verzamelen, verbonden tools gebruiken en eindproducten samenstellen zoals documenten, spreadsheets en dia-inhoud. Het multimodale werk omvat grafieken, complexe pagina's, natuurlijke scènes en technische tekeningen. Visuele verankering koppelt een vraag aan een object of gebied; een engineeringtaak kan de aangeleverde tekening onderzoeken, zichtbare onderdelen vergelijken en een uitleg op basis van het bewijsmateriaal teruggeven. Vraag bij documentanalyse naar de specifieke pagina, tabel of passage die elke conclusie ondersteunt.
Wetenschappelijke en wiskundige toepassingen omvatten data-analyse, modellering, simulatiecode en uitgebreide taken in toegepaste wiskunde. Kenniswerk omvat documenten en spreadsheets bewerken en informatie uit meerdere bronnen vergelijken. Een taak via de Ailoot API kan een bewerkbare rapportopzet, een gestructureerde reeks bevindingen of code specificeren die de toepassing uitvoert en verifieert. Dat zijn verschillende resultaten: een uitleg beantwoordt een vraag, een gestructureerd resultaat geeft gegevens door en een workflow met tools gebruikt de toepassing om het uiteindelijke artefact te maken of bij te werken.
De training van Large 4 omvat meertalig materiaal in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie. De natraining combineert begeleide fine-tuning met bekrachtigingsleren voor redeneren, wetenschappelijk werk, toolgebruik, feitelijkheid en veiligheidsafstemming. Het veiligheidswerk behandelt indirecte promptinjectie en kwaadwillige cyberbeveiligingsverzoeken. De familieselectie blijft een bijgewerkte modellijn: de bovenstaande numerieke architecturen, contextvensters en het redeneergedrag horen bij de expliciet genoemde edities, die onderscheiden blijven bij de keuze voor een vaste versie.
", "aboutText": "Mistral Large is de multimodale familie van Mistral AI voor algemeen gebruik bij complex documentwerk, software-engineering en agenttaken. Large 4 combineert instructieopvolging, redeneren en toolgebruik met ingebouwd visueel begrip. De fijnmazige mixture-of-experts-architectuur heeft in totaal 1,05 biljoen parameters en 52 miljard actieve parameters, naast een beeldencoder met 1,6 miljard parameters. Het contextvenster van Large 4 bedraagt 1M tokens. Large 3 is een afzonderlijke editie met in totaal 675 miljard parameters, 41 miljard actieve parameters en een contextvenster van 256K.\n\nHet model werkt met schriftelijke taken en visueel materiaal om tekst, code of gestructureerde resultaten te produceren. In de redeneerworkflow van Large 4 retourneert een instelling met minimale inspanning het antwoord direct, terwijl hoge inspanning een redeneersegment vóór het definitieve antwoord omvat. Volledige assistentberichten behouden de continuïteit over vervolgbeurten. Gestructureerde uitvoer kan JSON of een aangepast schema gebruiken, en de toepassing kan een prefix meegeven voor een gecontroleerd begin van het antwoord.\n\nFunctieaanroepen verbinden een analytische taak met externe informatie en acties. Geef functiebeschrijvingen, invoervelden en het gebruikersdoel mee. Het model kiest een functie en bereidt argumenten voor; de toepassing voert ze uit, retourneert het resultaat en zet de conversatie voort. De workflow kan opeenvolgende of meerdere parallelle aanroepen omvatten. Vragen beantwoorden over documenten combineert documentextractie met taalbegrip, terwijl batchverwerking verzamelingen verzoeken asynchroon behandelt. De toepassing rond het model levert de beschikbaarheid en uitvoering van tools.\n\nDe mogelijkheden van Large 4 beginnen bij beveiligingsanalyse: de fabrikant beschrijft malwaretriage, prioritering van kwetsbaarheden en het voorbereiden van detectieregels voor defensief werk. Bij programmeren met agents ligt de nadruk op repositorybegrip, softwarewijzigingen en complexe terminalworkflows. Een nuttige programmeeropdracht identificeert het betrokken gedrag, de betrokken bestanden en afhankelijkheden en de controles die een correct resultaat vaststellen.\n\nVoor algemene agentworkflows kan het model materiaal verzamelen, verbonden tools gebruiken en eindproducten samenstellen zoals documenten, spreadsheets en dia-inhoud. Het multimodale werk omvat grafieken, complexe pagina's, natuurlijke scènes en technische tekeningen. Visuele verankering koppelt een vraag aan een object of gebied; een engineeringtaak kan de aangeleverde tekening onderzoeken, zichtbare onderdelen vergelijken en een uitleg op basis van het bewijsmateriaal teruggeven. Vraag bij documentanalyse naar de specifieke pagina, tabel of passage die elke conclusie ondersteunt.\n\nWetenschappelijke en wiskundige toepassingen omvatten data-analyse, modellering, simulatiecode en uitgebreide taken in toegepaste wiskunde. Kenniswerk omvat documenten en spreadsheets bewerken en informatie uit meerdere bronnen vergelijken. Een taak via de Ailoot API kan een bewerkbare rapportopzet, een gestructureerde reeks bevindingen of code specificeren die de toepassing uitvoert en verifieert. Dat zijn verschillende resultaten: een uitleg beantwoordt een vraag, een gestructureerd resultaat geeft gegevens door en een workflow met tools gebruikt de toepassing om het uiteindelijke artefact te maken of bij te werken.\n\nDe training van Large 4 omvat meertalig materiaal in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie. De natraining combineert begeleide fine-tuning met bekrachtigingsleren voor redeneren, wetenschappelijk werk, toolgebruik, feitelijkheid en veiligheidsafstemming. Het veiligheidswerk behandelt indirecte promptinjectie en kwaadwillige cyberbeveiligingsverzoeken. De familieselectie blijft een bijgewerkte modellijn: de bovenstaande numerieke architecturen, contextvensters en het redeneergedrag horen bij de expliciet genoemde edities, die onderscheiden blijven bij de keuze voor een vaste versie.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Design a capacity calculation\n\nWrite a small Python function for this capacity model: each machine makes 18 parts per hour, but only 80 percent of its scheduled hours are productive. Given machine count and scheduled hours, return estimated parts as a numeric value. State assumptions and supply checks for one machine over five hours and zero machines.A Python function, explicit units and assumptions, and two calculation checks.Check the utilization factor is applied once and zero machines gives zero output.mistralai/mistral-largeDe Large-familie van Mistral AI combineert document- en beeldbegrip met redeneren, programmeren en workflows met tools. Gepubliceerde Large-edities ondersteunen gestructureerde antwoorden en werk met lange contexten, waarbij architectuur en contextgrootte bij elke genoemde versie horen.
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 is de multimodale familie van Mistral AI voor algemeen gebruik bij complex documentwerk, software-engineering en agenttaken. Large 4 combineert instructieopvolging, redeneren en toolgebruik met ingebouwd visueel begrip. De fijnmazige mixture-of-experts-architectuur heeft in totaal 1,05 biljoen parameters en 52 miljard actieve parameters, naast een beeldencoder met 1,6 miljard parameters. Het contextvenster van Large 4 bedraagt 1M tokens. Large 3 is een afzonderlijke editie met in totaal 675 miljard parameters, 41 miljard actieve parameters en een contextvenster van 256K.
Het model werkt met schriftelijke taken en visueel materiaal om tekst, code of gestructureerde resultaten te produceren. In de redeneerworkflow van Large 4 retourneert een instelling met minimale inspanning het antwoord direct, terwijl hoge inspanning een redeneersegment vóór het definitieve antwoord omvat. Volledige assistentberichten behouden de continuïteit over vervolgbeurten. Gestructureerde uitvoer kan JSON of een aangepast schema gebruiken, en de toepassing kan een prefix meegeven voor een gecontroleerd begin van het antwoord.
Functieaanroepen verbinden een analytische taak met externe informatie en acties. Geef functiebeschrijvingen, invoervelden en het gebruikersdoel mee. Het model kiest een functie en bereidt argumenten voor; de toepassing voert ze uit, retourneert het resultaat en zet de conversatie voort. De workflow kan opeenvolgende of meerdere parallelle aanroepen omvatten. Vragen beantwoorden over documenten combineert documentextractie met taalbegrip, terwijl batchverwerking verzamelingen verzoeken asynchroon behandelt. De toepassing rond het model levert de beschikbaarheid en uitvoering van tools.
De mogelijkheden van Large 4 beginnen bij beveiligingsanalyse: de fabrikant beschrijft malwaretriage, prioritering van kwetsbaarheden en het voorbereiden van detectieregels voor defensief werk. Bij programmeren met agents ligt de nadruk op repositorybegrip, softwarewijzigingen en complexe terminalworkflows. Een nuttige programmeeropdracht identificeert het betrokken gedrag, de betrokken bestanden en afhankelijkheden en de controles die een correct resultaat vaststellen.
Voor algemene agentworkflows kan het model materiaal verzamelen, verbonden tools gebruiken en eindproducten samenstellen zoals documenten, spreadsheets en dia-inhoud. Het multimodale werk omvat grafieken, complexe pagina's, natuurlijke scènes en technische tekeningen. Visuele verankering koppelt een vraag aan een object of gebied; een engineeringtaak kan de aangeleverde tekening onderzoeken, zichtbare onderdelen vergelijken en een uitleg op basis van het bewijsmateriaal teruggeven. Vraag bij documentanalyse naar de specifieke pagina, tabel of passage die elke conclusie ondersteunt.
Wetenschappelijke en wiskundige toepassingen omvatten data-analyse, modellering, simulatiecode en uitgebreide taken in toegepaste wiskunde. Kenniswerk omvat documenten en spreadsheets bewerken en informatie uit meerdere bronnen vergelijken. Een taak via de Ailoot API kan een bewerkbare rapportopzet, een gestructureerde reeks bevindingen of code specificeren die de toepassing uitvoert en verifieert. Dat zijn verschillende resultaten: een uitleg beantwoordt een vraag, een gestructureerd resultaat geeft gegevens door en een workflow met tools gebruikt de toepassing om het uiteindelijke artefact te maken of bij te werken.
De training van Large 4 omvat meertalig materiaal in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie. De natraining combineert begeleide fine-tuning met bekrachtigingsleren voor redeneren, wetenschappelijk werk, toolgebruik, feitelijkheid en veiligheidsafstemming. Het veiligheidswerk behandelt indirecte promptinjectie en kwaadwillige cyberbeveiligingsverzoeken. De familieselectie blijft een bijgewerkte modellijn: de bovenstaande numerieke architecturen, contextvensters en het redeneergedrag horen bij de expliciet genoemde edities, die onderscheiden blijven bij de keuze voor een vaste versie.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-large | 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 $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0004 / 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 $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0004 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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", "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',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',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
Gebruik de hierboven getoonde methodepaden.
mistralai/mistral-largeDe Large-familie van Mistral AI combineert document- en beeldbegrip met redeneren, programmeren en workflows met tools. Gepubliceerde Large-edities ondersteunen gestructureerde antwoorden en werk met lange contexten, waarbij architectuur en contextgrootte bij elke genoemde versie horen.
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 is de multimodale familie van Mistral AI voor algemeen gebruik bij complex documentwerk, software-engineering en agenttaken. Large 4 combineert instructieopvolging, redeneren en toolgebruik met ingebouwd visueel begrip. De fijnmazige mixture-of-experts-architectuur heeft in totaal 1,05 biljoen parameters en 52 miljard actieve parameters, naast een beeldencoder met 1,6 miljard parameters. Het contextvenster van Large 4 bedraagt 1M tokens. Large 3 is een afzonderlijke editie met in totaal 675 miljard parameters, 41 miljard actieve parameters en een contextvenster van 256K.
Het model werkt met schriftelijke taken en visueel materiaal om tekst, code of gestructureerde resultaten te produceren. In de redeneerworkflow van Large 4 retourneert een instelling met minimale inspanning het antwoord direct, terwijl hoge inspanning een redeneersegment vóór het definitieve antwoord omvat. Volledige assistentberichten behouden de continuïteit over vervolgbeurten. Gestructureerde uitvoer kan JSON of een aangepast schema gebruiken, en de toepassing kan een prefix meegeven voor een gecontroleerd begin van het antwoord.
Functieaanroepen verbinden een analytische taak met externe informatie en acties. Geef functiebeschrijvingen, invoervelden en het gebruikersdoel mee. Het model kiest een functie en bereidt argumenten voor; de toepassing voert ze uit, retourneert het resultaat en zet de conversatie voort. De workflow kan opeenvolgende of meerdere parallelle aanroepen omvatten. Vragen beantwoorden over documenten combineert documentextractie met taalbegrip, terwijl batchverwerking verzamelingen verzoeken asynchroon behandelt. De toepassing rond het model levert de beschikbaarheid en uitvoering van tools.
De mogelijkheden van Large 4 beginnen bij beveiligingsanalyse: de fabrikant beschrijft malwaretriage, prioritering van kwetsbaarheden en het voorbereiden van detectieregels voor defensief werk. Bij programmeren met agents ligt de nadruk op repositorybegrip, softwarewijzigingen en complexe terminalworkflows. Een nuttige programmeeropdracht identificeert het betrokken gedrag, de betrokken bestanden en afhankelijkheden en de controles die een correct resultaat vaststellen.
Voor algemene agentworkflows kan het model materiaal verzamelen, verbonden tools gebruiken en eindproducten samenstellen zoals documenten, spreadsheets en dia-inhoud. Het multimodale werk omvat grafieken, complexe pagina's, natuurlijke scènes en technische tekeningen. Visuele verankering koppelt een vraag aan een object of gebied; een engineeringtaak kan de aangeleverde tekening onderzoeken, zichtbare onderdelen vergelijken en een uitleg op basis van het bewijsmateriaal teruggeven. Vraag bij documentanalyse naar de specifieke pagina, tabel of passage die elke conclusie ondersteunt.
Wetenschappelijke en wiskundige toepassingen omvatten data-analyse, modellering, simulatiecode en uitgebreide taken in toegepaste wiskunde. Kenniswerk omvat documenten en spreadsheets bewerken en informatie uit meerdere bronnen vergelijken. Een taak via de Ailoot API kan een bewerkbare rapportopzet, een gestructureerde reeks bevindingen of code specificeren die de toepassing uitvoert en verifieert. Dat zijn verschillende resultaten: een uitleg beantwoordt een vraag, een gestructureerd resultaat geeft gegevens door en een workflow met tools gebruikt de toepassing om het uiteindelijke artefact te maken of bij te werken.
De training van Large 4 omvat meertalig materiaal in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie. De natraining combineert begeleide fine-tuning met bekrachtigingsleren voor redeneren, wetenschappelijk werk, toolgebruik, feitelijkheid en veiligheidsafstemming. Het veiligheidswerk behandelt indirecte promptinjectie en kwaadwillige cyberbeveiligingsverzoeken. De familieselectie blijft een bijgewerkte modellijn: de bovenstaande numerieke architecturen, contextvensters en het redeneergedrag horen bij de expliciet genoemde edities, die onderscheiden blijven bij de keuze voor een vaste versie.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-large | 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 $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0004 / 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 $0.004 / 1K tokens Uitvoer · Uitvoertokens $0.012 / 1K tokens Invoer · Cache lezen $0.0004 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/mistral-large",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Design a capacity calculation\n\nWrite a small Python function for this capacity model: each machine makes 18 parts per hour, but only 80 percent of its scheduled hours are productive. Given machine count and scheduled hours, return estimated parts as a numeric value. State assumptions and supply checks for one machine over five hours and zero machines.A Python function, explicit units and assumptions, and two calculation checks.Check the utilization factor is applied once and zero machines gives zero output.