Mistral Medium is de familie van Mistral AI voor toepassingsassistenten, documentwerk en softwareagents. De Medium 3.5-editie combineert instructievolging, redeneren en programmeren in een dense model met 128 miljard parameters en een contextvenster van 256K. Het begrijpt tekst en visueel materiaal en produceert tekst, code of gestructureerde resultaten. De visuele encoder is getraind voor variabele beeldformaten en verhoudingen, zodat een taak schriftelijke vereisten kan combineren met schermafbeeldingen, documentpagina’s of ander visueel bewijs.
De functies van het model beginnen bij gestructureerde uitvoer en functieaanroepen. JSON-uitvoer is nuttig wanneer het antwoord een machinaal leesbare structuur moet behouden; een aangepast schema definieert vereiste velden en hun typen. Een documenttaak kan een tabel met geëxtraheerde feiten, een vergelijking van secties of een samenvatting met open vragen opleveren. Documentvragen combineren extractie van de documenttekst en -structuur met taalmodelbegrip, zodat de vraag aan de relevante inhoud kan worden gekoppeld in plaats van vrij te worden geraden.
In een met tools ondersteunde taak beschrijft de toepassing haar functies en de argumenten die ze accepteren. Het model kiest een functie, stelt argumenten op en ontvangt het resultaat nadat de toepassing de actie heeft uitgevoerd. Het gesprek kan verdergaan met een volgende toolaanroep of een definitief antwoord. Met parallel toolgebruik kunnen onafhankelijke aanroepen samen worden aangevraagd wanneer de toepassing dat toestaat. Instellingen voor toolkeuze kunnen het model laten beslissen, een tool verplichten of de taak beperken tot een tekstantwoord.
Medium 3.5 past de redeneerinspanning per verzoek aan. Een instelling met minimaal denkwerk retourneert direct het antwoord; hoge inspanning bevat een redeneergedeelte vóór het definitieve antwoord en wordt aanbevolen voor agent- en programmeertaken. In een redenerend gesprek met meerdere beurten bewaren volledige assistentberichten de informatie die nodig is voor vervolgwerk. Voorspelde uitvoer helpt bij het herzien van code of een document met bekende passages, en een aangeleverde prefix kan het begin van het antwoord vastleggen. Batchworkflows kunnen een verzameling onafhankelijke verzoeken asynchroon verwerken.
De editie is ontworpen voor werk dat over veel stappen wordt voortgezet. Programmeervoorbeelden zijn het herstructureren van modules, oplossen van bugs, genereren van controles, bijwerken van afhankelijkheden en onderzoeken van mislukte ontwikkelworkflows. Een bruikbare opdracht levert de betrokken bestanden, het vereiste gedrag en een duidelijk voltooiingscriterium aan. Het model kan resultaten van repositoryverkenning en door de toepassing uitgevoerde controles gebruiken om de voorgestelde oplossing te herzien; tools en bestandstoegang worden beheerd door de omringende agentomgeving.
Voor kenniswerk beschrijft de fabrikant onderzoek, synthese en workflows over gekoppelde tools. Een Ailoot API-taak kan vragen om een gestructureerde briefing op basis van aangeleverde documenten, een vergelijking van technische opties of een concept op basis van opgehaalde informatie. Geef aan welke waarnemingen de conclusie ondersteunen en welk artefact de taak moet afronden. Het model bereidt de redenering en het resultaat voor; de toepassing biedt informatietoegang, voert acties uit en presenteert het resultaat. De naam Medium blijft een bijgewerkte familiekeuze, terwijl de hier beschreven getalsmatige architectuur, visuele verwerking en redeneermodi bij de expliciet genoemde Medium 3.5-editie horen.
", "aboutText": "Mistral Medium is de familie van Mistral AI voor toepassingsassistenten, documentwerk en softwareagents. De Medium 3.5-editie combineert instructievolging, redeneren en programmeren in een dense model met 128 miljard parameters en een contextvenster van 256K. Het begrijpt tekst en visueel materiaal en produceert tekst, code of gestructureerde resultaten. De visuele encoder is getraind voor variabele beeldformaten en verhoudingen, zodat een taak schriftelijke vereisten kan combineren met schermafbeeldingen, documentpagina’s of ander visueel bewijs.\n\nDe functies van het model beginnen bij gestructureerde uitvoer en functieaanroepen. JSON-uitvoer is nuttig wanneer het antwoord een machinaal leesbare structuur moet behouden; een aangepast schema definieert vereiste velden en hun typen. Een documenttaak kan een tabel met geëxtraheerde feiten, een vergelijking van secties of een samenvatting met open vragen opleveren. Documentvragen combineren extractie van de documenttekst en -structuur met taalmodelbegrip, zodat de vraag aan de relevante inhoud kan worden gekoppeld in plaats van vrij te worden geraden.\n\nIn een met tools ondersteunde taak beschrijft de toepassing haar functies en de argumenten die ze accepteren. Het model kiest een functie, stelt argumenten op en ontvangt het resultaat nadat de toepassing de actie heeft uitgevoerd. Het gesprek kan verdergaan met een volgende toolaanroep of een definitief antwoord. Met parallel toolgebruik kunnen onafhankelijke aanroepen samen worden aangevraagd wanneer de toepassing dat toestaat. Instellingen voor toolkeuze kunnen het model laten beslissen, een tool verplichten of de taak beperken tot een tekstantwoord.\n\nMedium 3.5 past de redeneerinspanning per verzoek aan. Een instelling met minimaal denkwerk retourneert direct het antwoord; hoge inspanning bevat een redeneergedeelte vóór het definitieve antwoord en wordt aanbevolen voor agent- en programmeertaken. In een redenerend gesprek met meerdere beurten bewaren volledige assistentberichten de informatie die nodig is voor vervolgwerk. Voorspelde uitvoer helpt bij het herzien van code of een document met bekende passages, en een aangeleverde prefix kan het begin van het antwoord vastleggen. Batchworkflows kunnen een verzameling onafhankelijke verzoeken asynchroon verwerken.\n\nDe editie is ontworpen voor werk dat over veel stappen wordt voortgezet. Programmeervoorbeelden zijn het herstructureren van modules, oplossen van bugs, genereren van controles, bijwerken van afhankelijkheden en onderzoeken van mislukte ontwikkelworkflows. Een bruikbare opdracht levert de betrokken bestanden, het vereiste gedrag en een duidelijk voltooiingscriterium aan. Het model kan resultaten van repositoryverkenning en door de toepassing uitgevoerde controles gebruiken om de voorgestelde oplossing te herzien; tools en bestandstoegang worden beheerd door de omringende agentomgeving.\n\nVoor kenniswerk beschrijft de fabrikant onderzoek, synthese en workflows over gekoppelde tools. Een Ailoot API-taak kan vragen om een gestructureerde briefing op basis van aangeleverde documenten, een vergelijking van technische opties of een concept op basis van opgehaalde informatie. Geef aan welke waarnemingen de conclusie ondersteunen en welk artefact de taak moet afronden. Het model bereidt de redenering en het resultaat voor; de toepassing biedt informatietoegang, voert acties uit en presenteert het resultaat. De naam Medium blijft een bijgewerkte familiekeuze, terwijl de hier beschreven getalsmatige architectuur, visuele verwerking en redeneermodi bij de expliciet genoemde Medium 3.5-editie horen.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Extract obligations from a supplier note\n\nPrepare a document brief from this note: 'The supplier will send samples by 6 June. The buyer must approve the color before production starts. The production lead time is 20 business days after approval. No shipping date has been agreed.' Return obligations, dependency and unresolved information, preserving the distinction between sample delivery and production timing.A concise obligation table and a separate list of unresolved scheduling information.The brief does not calculate an agreed shipping date from a production lead time alone.mistral-medium-latestDe Medium-familie van Mistral AI ondersteunt documentbegrip, programmeren en agents die meerdere met tools ondersteunde stappen doorlopen. De Medium 3.5-editie combineert instructievolging en instelbaar redeneren in een multimodaal model met een contextvenster van 256K.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Mistral Medium is de familie van Mistral AI voor toepassingsassistenten, documentwerk en softwareagents. De Medium 3.5-editie combineert instructievolging, redeneren en programmeren in een dense model met 128 miljard parameters en een contextvenster van 256K. Het begrijpt tekst en visueel materiaal en produceert tekst, code of gestructureerde resultaten. De visuele encoder is getraind voor variabele beeldformaten en verhoudingen, zodat een taak schriftelijke vereisten kan combineren met schermafbeeldingen, documentpagina’s of ander visueel bewijs.
De functies van het model beginnen bij gestructureerde uitvoer en functieaanroepen. JSON-uitvoer is nuttig wanneer het antwoord een machinaal leesbare structuur moet behouden; een aangepast schema definieert vereiste velden en hun typen. Een documenttaak kan een tabel met geëxtraheerde feiten, een vergelijking van secties of een samenvatting met open vragen opleveren. Documentvragen combineren extractie van de documenttekst en -structuur met taalmodelbegrip, zodat de vraag aan de relevante inhoud kan worden gekoppeld in plaats van vrij te worden geraden.
In een met tools ondersteunde taak beschrijft de toepassing haar functies en de argumenten die ze accepteren. Het model kiest een functie, stelt argumenten op en ontvangt het resultaat nadat de toepassing de actie heeft uitgevoerd. Het gesprek kan verdergaan met een volgende toolaanroep of een definitief antwoord. Met parallel toolgebruik kunnen onafhankelijke aanroepen samen worden aangevraagd wanneer de toepassing dat toestaat. Instellingen voor toolkeuze kunnen het model laten beslissen, een tool verplichten of de taak beperken tot een tekstantwoord.
Medium 3.5 past de redeneerinspanning per verzoek aan. Een instelling met minimaal denkwerk retourneert direct het antwoord; hoge inspanning bevat een redeneergedeelte vóór het definitieve antwoord en wordt aanbevolen voor agent- en programmeertaken. In een redenerend gesprek met meerdere beurten bewaren volledige assistentberichten de informatie die nodig is voor vervolgwerk. Voorspelde uitvoer helpt bij het herzien van code of een document met bekende passages, en een aangeleverde prefix kan het begin van het antwoord vastleggen. Batchworkflows kunnen een verzameling onafhankelijke verzoeken asynchroon verwerken.
De editie is ontworpen voor werk dat over veel stappen wordt voortgezet. Programmeervoorbeelden zijn het herstructureren van modules, oplossen van bugs, genereren van controles, bijwerken van afhankelijkheden en onderzoeken van mislukte ontwikkelworkflows. Een bruikbare opdracht levert de betrokken bestanden, het vereiste gedrag en een duidelijk voltooiingscriterium aan. Het model kan resultaten van repositoryverkenning en door de toepassing uitgevoerde controles gebruiken om de voorgestelde oplossing te herzien; tools en bestandstoegang worden beheerd door de omringende agentomgeving.
Voor kenniswerk beschrijft de fabrikant onderzoek, synthese en workflows over gekoppelde tools. Een Ailoot API-taak kan vragen om een gestructureerde briefing op basis van aangeleverde documenten, een vergelijking van technische opties of een concept op basis van opgehaalde informatie. Geef aan welke waarnemingen de conclusie ondersteunen en welk artefact de taak moet afronden. Het model bereidt de redenering en het resultaat voor; de toepassing biedt informatietoegang, voert acties uit en presenteert het resultaat. De naam Medium blijft een bijgewerkte familiekeuze, terwijl de hier beschreven getalsmatige architectuur, visuele verwerking en redeneermodi bij de expliciet genoemde Medium 3.5-editie horen.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistral-medium-latest | 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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00088 / 1K tokens Uitvoer · Uitvoertokens $0.0132 / 1K tokens Invoer · Cache lezen $0 / 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": "mistral-medium-latest", "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='mistral-medium-latest',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='mistral-medium-latest',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 mistral-medium-latest
Gebruik de hierboven getoonde methodepaden.
mistral-medium-latestDe Medium-familie van Mistral AI ondersteunt documentbegrip, programmeren en agents die meerdere met tools ondersteunde stappen doorlopen. De Medium 3.5-editie combineert instructievolging en instelbaar redeneren in een multimodaal model met een contextvenster van 256K.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Mistral Medium is de familie van Mistral AI voor toepassingsassistenten, documentwerk en softwareagents. De Medium 3.5-editie combineert instructievolging, redeneren en programmeren in een dense model met 128 miljard parameters en een contextvenster van 256K. Het begrijpt tekst en visueel materiaal en produceert tekst, code of gestructureerde resultaten. De visuele encoder is getraind voor variabele beeldformaten en verhoudingen, zodat een taak schriftelijke vereisten kan combineren met schermafbeeldingen, documentpagina’s of ander visueel bewijs.
De functies van het model beginnen bij gestructureerde uitvoer en functieaanroepen. JSON-uitvoer is nuttig wanneer het antwoord een machinaal leesbare structuur moet behouden; een aangepast schema definieert vereiste velden en hun typen. Een documenttaak kan een tabel met geëxtraheerde feiten, een vergelijking van secties of een samenvatting met open vragen opleveren. Documentvragen combineren extractie van de documenttekst en -structuur met taalmodelbegrip, zodat de vraag aan de relevante inhoud kan worden gekoppeld in plaats van vrij te worden geraden.
In een met tools ondersteunde taak beschrijft de toepassing haar functies en de argumenten die ze accepteren. Het model kiest een functie, stelt argumenten op en ontvangt het resultaat nadat de toepassing de actie heeft uitgevoerd. Het gesprek kan verdergaan met een volgende toolaanroep of een definitief antwoord. Met parallel toolgebruik kunnen onafhankelijke aanroepen samen worden aangevraagd wanneer de toepassing dat toestaat. Instellingen voor toolkeuze kunnen het model laten beslissen, een tool verplichten of de taak beperken tot een tekstantwoord.
Medium 3.5 past de redeneerinspanning per verzoek aan. Een instelling met minimaal denkwerk retourneert direct het antwoord; hoge inspanning bevat een redeneergedeelte vóór het definitieve antwoord en wordt aanbevolen voor agent- en programmeertaken. In een redenerend gesprek met meerdere beurten bewaren volledige assistentberichten de informatie die nodig is voor vervolgwerk. Voorspelde uitvoer helpt bij het herzien van code of een document met bekende passages, en een aangeleverde prefix kan het begin van het antwoord vastleggen. Batchworkflows kunnen een verzameling onafhankelijke verzoeken asynchroon verwerken.
De editie is ontworpen voor werk dat over veel stappen wordt voortgezet. Programmeervoorbeelden zijn het herstructureren van modules, oplossen van bugs, genereren van controles, bijwerken van afhankelijkheden en onderzoeken van mislukte ontwikkelworkflows. Een bruikbare opdracht levert de betrokken bestanden, het vereiste gedrag en een duidelijk voltooiingscriterium aan. Het model kan resultaten van repositoryverkenning en door de toepassing uitgevoerde controles gebruiken om de voorgestelde oplossing te herzien; tools en bestandstoegang worden beheerd door de omringende agentomgeving.
Voor kenniswerk beschrijft de fabrikant onderzoek, synthese en workflows over gekoppelde tools. Een Ailoot API-taak kan vragen om een gestructureerde briefing op basis van aangeleverde documenten, een vergelijking van technische opties of een concept op basis van opgehaalde informatie. Geef aan welke waarnemingen de conclusie ondersteunen en welk artefact de taak moet afronden. Het model bereidt de redenering en het resultaat voor; de toepassing biedt informatietoegang, voert acties uit en presenteert het resultaat. De naam Medium blijft een bijgewerkte familiekeuze, terwijl de hier beschreven getalsmatige architectuur, visuele verwerking en redeneermodi bij de expliciet genoemde Medium 3.5-editie horen.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistral-medium-latest | 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.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00088 / 1K tokens Uitvoer · Uitvoertokens $0.0132 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistral-medium-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'mistral-medium-latest', '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': 'mistral-medium-latest', '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 mistral-medium-latest
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Extract obligations from a supplier note\n\nPrepare a document brief from this note: 'The supplier will send samples by 6 June. The buyer must approve the color before production starts. The production lead time is 20 business days after approval. No shipping date has been agreed.' Return obligations, dependency and unresolved information, preserving the distinction between sample delivery and production timing.A concise obligation table and a separate list of unresolved scheduling information.The brief does not calculate an agreed shipping date from a production lead time alone.