Mistral Large 4 is het algemeen inzetbare multimodale model van Mistral AI dat instructievolging, redeneren, programmeren en agentwerk combineert. Het accepteert tekst en afbeeldingen en produceert tekst, waaronder uitleg, code en gestructureerde velden. De fijnmazige mixture-of-experts-architectuur gebruikt geselecteerde componenten voor elk token in plaats van de hele parameterset tegelijk te activeren.
Architectuur en context
De huidige modelpagina vermeldt in totaal 1,05 biljoen parameters, 52 miljard actieve parameters en een visuele encoder met 1,6 miljard parameters. De releasepagina van de maker verduidelijkt de telwijze: 49 miljard actieve parameters per token, of 52 miljard inclusief embeddings en uitvoerlagen. Deze cijfers beschrijven de modelstructuur en niet de lengte van een antwoord.
De maker documenteert een contextvenster van één miljoen tokens. Gebruik dit om omvangrijk bronmateriaal, het gesprek en instructies samen te brengen, terwijl u het doel van het uiteindelijke artefact definieert. Benoem bij een vraag over meerdere documenten elk document en zijn rol en vraag om de bronlocatie naast elke bevinding. Een grote context is nuttig wanneer vereisten, diagrammen en bijbehorende uitleg samen moeten worden overwogen.
Gestructureerde antwoorden en documentvragen
De modelkaart vermeldt gestructureerde uitvoer, functieaanroepen, documentvragen, antwoordprefixen, batchindiening en agentgesprekken. De documentatie voor gestructureerde uitvoer van Mistral onderscheidt JSON-modus van een aangepast schema. Geef het vereiste JSON-formaat in de prompt op; gebruik een gedefinieerd schema wanneer de gekoppelde interface een bepaalde veldstructuur nodig heeft. Een record kan bronfeiten, interpretaties en open vragen scheiden in plaats van ze in één alinea te combineren.
Documentvragen vormen een workflow die documentverwerking combineert met taalmodelbegrip. OCR bereidt de tekst, structuur en opmaak voor, waarna het model een vraag over dat materiaal beantwoordt. Een verzoek kan een vereiste lokaliseren, uitspraken tussen documenten vergelijken of het voor een beslissing relevante bewijs samenvatten. Direct beeldbegrip en een met OCR ondersteunde documentworkflow zijn verwante manieren om bewijs voor te bereiden; een documentverwerkingsstap blijft afzonderlijk van beeldinvoer.
Lever bijvoorbeeld een technische specificatie en tekeningen aan, benoem de te beoordelen revisie en vraag om een eisenmatrix. 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, softwareontwikkeling, repositorybegrip en terminalgerichte workflows. Lever voor een defensieve codereview het relevante codepad, het verwachte gedrag en bewijs van de fout aan. Vraag om de oorzaak, een voorgestelde correctie en voorbeelden die het oude gedrag van het beoogde gedrag onderscheiden. Voeg voor een repositoryvraag de modules en aanroeprelaties toe die nodig zijn om het geselecteerde gedrag uit te leggen.
Functieaanroepen verbinden redeneren met tools die de toepassing levert. De volgorde van de maker definieert de functies, geeft de gebruikersvraag, laat het model argumenten opstellen, voert de gekozen functie in de toepassing uit en retourneert het resultaat voor het volgende antwoord. Een voorgestelde aanroep is iets anders dan uitvoering. De kaart vermeldt ook ingebouwde tools binnen de agent-/gespreksinterface van de maker; die horen bij de gekoppelde workflow en voegen geen nieuwe invoer- of uitvoermodaliteit aan het model toe.
Visueel begrip omvat documenten, grafieken, natuurlijke scènes en technische tekeningen. Bij een taak rond een technische tekening kunt u vragen welke gelabelde component aan een aangeleverde vereiste voldoet, welke maat of annotatie de bevinding ondersteunt en welk gebied nader moet worden bekeken. De voorbeelden van visuele agents bij de release combineren interpretatie met inspectiestappen; inzoomen, informatie ophalen en andere acties vereisen de omringende toolomgeving.
Wetenschap, wiskunde en professionele resultaten
De maker noemt wetenschappelijk programmeren, data-analyse, modellering en wiskundig redeneren als beoogde toepassingen. Lever de vergelijkingen, aannames, eenheden en vereiste resultaatvorm aan. 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 definieer het artefact: een vergelijkingstabel, uitleg, herziene passage of spreadsheetinhoud. Vermeld de berekeningsgrondslag en behoud de ondersteunende documentlocaties. De release beschrijft ook meertalige training in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie; benoem de gewenste uitvoertaal en terminologie bij het voorbereiden van een meertalige taak.
Nuttige grenzen
De gedocumenteerde modaliteiten zijn tekst- en beeldinvoer met tekstuitvoer. De context van één miljoen tokens van de maker is geen afzonderlijke specificatie van de maximale antwoordlengte, en de geraadpleegde bronnen stellen voor deze vermelding geen zelfstandige harde uitvoerlimiet vast. Houd de exacte Large 4-editie, het voorbereide bewijs en de gekoppelde tools expliciet. Een gestructureerd record, uitleg of voorgestelde actie is het bruikbaarst wanneer de velden, ondersteunende bronnen en volgende toepassingsstap vóór het verzoek worden gedefinieerd.
", "aboutText": "Mistral Large 4 is het algemeen inzetbare multimodale model van Mistral AI dat instructievolging, redeneren, programmeren en agentwerk combineert. Het accepteert tekst en afbeeldingen en produceert tekst, waaronder uitleg, code en gestructureerde velden. De fijnmazige mixture-of-experts-architectuur gebruikt geselecteerde componenten voor elk token in plaats van de hele parameterset tegelijk te activeren.\n\nArchitectuur en context\n\nDe huidige modelpagina vermeldt in totaal 1,05 biljoen parameters, 52 miljard actieve parameters en een visuele encoder met 1,6 miljard parameters. De releasepagina van de maker verduidelijkt de telwijze: 49 miljard actieve parameters per token, of 52 miljard inclusief embeddings en uitvoerlagen. Deze cijfers beschrijven de modelstructuur en niet de lengte van een antwoord.\n\nDe maker documenteert een contextvenster van één miljoen tokens. Gebruik dit om omvangrijk bronmateriaal, het gesprek en instructies samen te brengen, terwijl u het doel van het uiteindelijke artefact definieert. Benoem bij een vraag over meerdere documenten elk document en zijn rol en vraag om de bronlocatie naast elke bevinding. Een grote context is nuttig wanneer vereisten, diagrammen en bijbehorende uitleg samen moeten worden overwogen.\n\nGestructureerde antwoorden en documentvragen\n\nDe modelkaart vermeldt gestructureerde uitvoer, functieaanroepen, documentvragen, antwoordprefixen, batchindiening en agentgesprekken. De documentatie voor gestructureerde uitvoer van Mistral onderscheidt JSON-modus van een aangepast schema. Geef het vereiste JSON-formaat in de prompt op; gebruik een gedefinieerd schema wanneer de gekoppelde interface een bepaalde veldstructuur nodig heeft. Een record kan bronfeiten, interpretaties en open vragen scheiden in plaats van ze in één alinea te combineren.\n\nDocumentvragen vormen een workflow die documentverwerking combineert met taalmodelbegrip. OCR bereidt de tekst, structuur en opmaak voor, waarna het model een vraag over dat materiaal beantwoordt. Een verzoek kan een vereiste lokaliseren, uitspraken tussen documenten vergelijken of het voor een beslissing relevante bewijs samenvatten. Direct beeldbegrip en een met OCR ondersteunde documentworkflow zijn verwante manieren om bewijs voor te bereiden; een documentverwerkingsstap blijft afzonderlijk van beeldinvoer.\n\nLever bijvoorbeeld een technische specificatie en tekeningen aan, benoem de te beoordelen revisie en vraag om een eisenmatrix. 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, softwareontwikkeling, repositorybegrip en terminalgerichte workflows. Lever voor een defensieve codereview het relevante codepad, het verwachte gedrag en bewijs van de fout aan. Vraag om de oorzaak, een voorgestelde correctie en voorbeelden die het oude gedrag van het beoogde gedrag onderscheiden. Voeg voor een repositoryvraag de modules en aanroeprelaties toe die nodig zijn om het geselecteerde gedrag uit te leggen.\n\nFunctieaanroepen verbinden redeneren met tools die de toepassing levert. De volgorde van de maker definieert de functies, geeft de gebruikersvraag, laat het model argumenten opstellen, voert de gekozen functie in de toepassing uit en retourneert het resultaat voor het volgende antwoord. Een voorgestelde aanroep is iets anders dan uitvoering. De kaart vermeldt ook ingebouwde tools binnen de agent-/gespreksinterface van de maker; die horen bij de gekoppelde workflow en voegen geen nieuwe invoer- of uitvoermodaliteit aan het model toe.\n\nVisueel begrip omvat documenten, grafieken, natuurlijke scènes en technische tekeningen. Bij een taak rond een technische tekening kunt u vragen welke gelabelde component aan een aangeleverde vereiste voldoet, welke maat of annotatie de bevinding ondersteunt en welk gebied nader moet worden bekeken. De voorbeelden van visuele agents bij de release combineren interpretatie met inspectiestappen; inzoomen, informatie ophalen en andere acties vereisen de omringende toolomgeving.\n\nWetenschap, wiskunde en professionele resultaten\n\nDe maker noemt wetenschappelijk programmeren, data-analyse, modellering en wiskundig redeneren als beoogde toepassingen. Lever de vergelijkingen, aannames, eenheden en vereiste resultaatvorm aan. 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 definieer het artefact: een vergelijkingstabel, uitleg, herziene passage of spreadsheetinhoud. Vermeld de berekeningsgrondslag en behoud de ondersteunende documentlocaties. De release beschrijft ook meertalige training in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie; benoem de gewenste uitvoertaal en terminologie bij het voorbereiden van een meertalige taak.\n\nNuttige grenzen\n\nDe gedocumenteerde modaliteiten zijn tekst- en beeldinvoer met tekstuitvoer. De context van één miljoen tokens van de maker is geen afzonderlijke specificatie van de maximale antwoordlengte, en de geraadpleegde bronnen stellen voor deze vermelding geen zelfstandige harde uitvoerlimiet vast. Houd de exacte Large 4-editie, het voorbereide bewijs en de gekoppelde tools expliciet. Een gestructureerd record, uitleg of voorgestelde actie is het bruikbaarst wanneer de velden, ondersteunende bronnen en volgende toepassingsstap vóór het verzoek worden gedefinieerd.", "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 algemeen inzetbare multimodale model van Mistral AI dat instructievolging, redeneren, programmeren en agentwerk combineert. Het accepteert tekst en afbeeldingen en produceert tekst, waaronder uitleg, code en gestructureerde velden. De fijnmazige mixture-of-experts-architectuur gebruikt geselecteerde componenten voor elk token in plaats van de hele parameterset tegelijk te activeren.
Architectuur en context
De huidige modelpagina vermeldt in totaal 1,05 biljoen parameters, 52 miljard actieve parameters en een visuele encoder met 1,6 miljard parameters. De releasepagina van de maker verduidelijkt de telwijze: 49 miljard actieve parameters per token, of 52 miljard inclusief embeddings en uitvoerlagen. Deze cijfers beschrijven de modelstructuur en niet de lengte van een antwoord.
De maker documenteert een contextvenster van één miljoen tokens. Gebruik dit om omvangrijk bronmateriaal, het gesprek en instructies samen te brengen, terwijl u het doel van het uiteindelijke artefact definieert. Benoem bij een vraag over meerdere documenten elk document en zijn rol en vraag om de bronlocatie naast elke bevinding. Een grote context is nuttig wanneer vereisten, diagrammen en bijbehorende uitleg samen moeten worden overwogen.
Gestructureerde antwoorden en documentvragen
De modelkaart vermeldt gestructureerde uitvoer, functieaanroepen, documentvragen, antwoordprefixen, batchindiening en agentgesprekken. De documentatie voor gestructureerde uitvoer van Mistral onderscheidt JSON-modus van een aangepast schema. Geef het vereiste JSON-formaat in de prompt op; gebruik een gedefinieerd schema wanneer de gekoppelde interface een bepaalde veldstructuur nodig heeft. Een record kan bronfeiten, interpretaties en open vragen scheiden in plaats van ze in één alinea te combineren.
Documentvragen vormen een workflow die documentverwerking combineert met taalmodelbegrip. OCR bereidt de tekst, structuur en opmaak voor, waarna het model een vraag over dat materiaal beantwoordt. Een verzoek kan een vereiste lokaliseren, uitspraken tussen documenten vergelijken of het voor een beslissing relevante bewijs samenvatten. Direct beeldbegrip en een met OCR ondersteunde documentworkflow zijn verwante manieren om bewijs voor te bereiden; een documentverwerkingsstap blijft afzonderlijk van beeldinvoer.
Lever bijvoorbeeld een technische specificatie en tekeningen aan, benoem de te beoordelen revisie en vraag om een eisenmatrix. 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, softwareontwikkeling, repositorybegrip en terminalgerichte workflows. Lever voor een defensieve codereview het relevante codepad, het verwachte gedrag en bewijs van de fout aan. Vraag om de oorzaak, een voorgestelde correctie en voorbeelden die het oude gedrag van het beoogde gedrag onderscheiden. Voeg voor een repositoryvraag de modules en aanroeprelaties toe die nodig zijn om het geselecteerde gedrag uit te leggen.
Functieaanroepen verbinden redeneren met tools die de toepassing levert. De volgorde van de maker definieert de functies, geeft de gebruikersvraag, laat het model argumenten opstellen, voert de gekozen functie in de toepassing uit en retourneert het resultaat voor het volgende antwoord. Een voorgestelde aanroep is iets anders dan uitvoering. De kaart vermeldt ook ingebouwde tools binnen de agent-/gespreksinterface van de maker; die horen bij de gekoppelde workflow en voegen geen nieuwe invoer- of uitvoermodaliteit aan het model toe.
Visueel begrip omvat documenten, grafieken, natuurlijke scènes en technische tekeningen. Bij een taak rond een technische tekening kunt u vragen welke gelabelde component aan een aangeleverde vereiste voldoet, welke maat of annotatie de bevinding ondersteunt en welk gebied nader moet worden bekeken. De voorbeelden van visuele agents bij de release combineren interpretatie met inspectiestappen; inzoomen, informatie ophalen en andere acties vereisen de omringende toolomgeving.
Wetenschap, wiskunde en professionele resultaten
De maker noemt wetenschappelijk programmeren, data-analyse, modellering en wiskundig redeneren als beoogde toepassingen. Lever de vergelijkingen, aannames, eenheden en vereiste resultaatvorm aan. 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 definieer het artefact: een vergelijkingstabel, uitleg, herziene passage of spreadsheetinhoud. Vermeld de berekeningsgrondslag en behoud de ondersteunende documentlocaties. De release beschrijft ook meertalige training in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie; benoem de gewenste uitvoertaal en terminologie bij het voorbereiden van een meertalige taak.
Nuttige grenzen
De gedocumenteerde modaliteiten zijn tekst- en beeldinvoer met tekstuitvoer. De context van één miljoen tokens van de maker is geen afzonderlijke specificatie van de maximale antwoordlengte, en de geraadpleegde bronnen stellen voor deze vermelding geen zelfstandige harde uitvoerlimiet vast. Houd de exacte Large 4-editie, het voorbereide bewijs en de gekoppelde tools expliciet. Een gestructureerd record, uitleg of voorgestelde actie is het bruikbaarst wanneer de velden, ondersteunende bronnen en volgende toepassingsstap vóór het verzoek worden gedefinieerd.
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 |
| ConfiguratieNiveau 1 voor aanvraaglengte | 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 algemeen inzetbare multimodale model van Mistral AI dat instructievolging, redeneren, programmeren en agentwerk combineert. Het accepteert tekst en afbeeldingen en produceert tekst, waaronder uitleg, code en gestructureerde velden. De fijnmazige mixture-of-experts-architectuur gebruikt geselecteerde componenten voor elk token in plaats van de hele parameterset tegelijk te activeren.
Architectuur en context
De huidige modelpagina vermeldt in totaal 1,05 biljoen parameters, 52 miljard actieve parameters en een visuele encoder met 1,6 miljard parameters. De releasepagina van de maker verduidelijkt de telwijze: 49 miljard actieve parameters per token, of 52 miljard inclusief embeddings en uitvoerlagen. Deze cijfers beschrijven de modelstructuur en niet de lengte van een antwoord.
De maker documenteert een contextvenster van één miljoen tokens. Gebruik dit om omvangrijk bronmateriaal, het gesprek en instructies samen te brengen, terwijl u het doel van het uiteindelijke artefact definieert. Benoem bij een vraag over meerdere documenten elk document en zijn rol en vraag om de bronlocatie naast elke bevinding. Een grote context is nuttig wanneer vereisten, diagrammen en bijbehorende uitleg samen moeten worden overwogen.
Gestructureerde antwoorden en documentvragen
De modelkaart vermeldt gestructureerde uitvoer, functieaanroepen, documentvragen, antwoordprefixen, batchindiening en agentgesprekken. De documentatie voor gestructureerde uitvoer van Mistral onderscheidt JSON-modus van een aangepast schema. Geef het vereiste JSON-formaat in de prompt op; gebruik een gedefinieerd schema wanneer de gekoppelde interface een bepaalde veldstructuur nodig heeft. Een record kan bronfeiten, interpretaties en open vragen scheiden in plaats van ze in één alinea te combineren.
Documentvragen vormen een workflow die documentverwerking combineert met taalmodelbegrip. OCR bereidt de tekst, structuur en opmaak voor, waarna het model een vraag over dat materiaal beantwoordt. Een verzoek kan een vereiste lokaliseren, uitspraken tussen documenten vergelijken of het voor een beslissing relevante bewijs samenvatten. Direct beeldbegrip en een met OCR ondersteunde documentworkflow zijn verwante manieren om bewijs voor te bereiden; een documentverwerkingsstap blijft afzonderlijk van beeldinvoer.
Lever bijvoorbeeld een technische specificatie en tekeningen aan, benoem de te beoordelen revisie en vraag om een eisenmatrix. 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, softwareontwikkeling, repositorybegrip en terminalgerichte workflows. Lever voor een defensieve codereview het relevante codepad, het verwachte gedrag en bewijs van de fout aan. Vraag om de oorzaak, een voorgestelde correctie en voorbeelden die het oude gedrag van het beoogde gedrag onderscheiden. Voeg voor een repositoryvraag de modules en aanroeprelaties toe die nodig zijn om het geselecteerde gedrag uit te leggen.
Functieaanroepen verbinden redeneren met tools die de toepassing levert. De volgorde van de maker definieert de functies, geeft de gebruikersvraag, laat het model argumenten opstellen, voert de gekozen functie in de toepassing uit en retourneert het resultaat voor het volgende antwoord. Een voorgestelde aanroep is iets anders dan uitvoering. De kaart vermeldt ook ingebouwde tools binnen de agent-/gespreksinterface van de maker; die horen bij de gekoppelde workflow en voegen geen nieuwe invoer- of uitvoermodaliteit aan het model toe.
Visueel begrip omvat documenten, grafieken, natuurlijke scènes en technische tekeningen. Bij een taak rond een technische tekening kunt u vragen welke gelabelde component aan een aangeleverde vereiste voldoet, welke maat of annotatie de bevinding ondersteunt en welk gebied nader moet worden bekeken. De voorbeelden van visuele agents bij de release combineren interpretatie met inspectiestappen; inzoomen, informatie ophalen en andere acties vereisen de omringende toolomgeving.
Wetenschap, wiskunde en professionele resultaten
De maker noemt wetenschappelijk programmeren, data-analyse, modellering en wiskundig redeneren als beoogde toepassingen. Lever de vergelijkingen, aannames, eenheden en vereiste resultaatvorm aan. 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 definieer het artefact: een vergelijkingstabel, uitleg, herziene passage of spreadsheetinhoud. Vermeld de berekeningsgrondslag en behoud de ondersteunende documentlocaties. De release beschrijft ook meertalige training in meer dan 160 talen, waaronder alle officiële talen van de Europese Unie; benoem de gewenste uitvoertaal en terminologie bij het voorbereiden van een meertalige taak.
Nuttige grenzen
De gedocumenteerde modaliteiten zijn tekst- en beeldinvoer met tekstuitvoer. De context van één miljoen tokens van de maker is geen afzonderlijke specificatie van de maximale antwoordlengte, en de geraadpleegde bronnen stellen voor deze vermelding geen zelfstandige harde uitvoerlimiet vast. Houd de exacte Large 4-editie, het voorbereide bewijs en de gekoppelde tools expliciet. Een gestructureerd record, uitleg of voorgestelde actie is het bruikbaarst wanneer de velden, ondersteunende bronnen en volgende toepassingsstap vóór het verzoek worden gedefinieerd.
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 |
| ConfiguratieNiveau 1 voor aanvraaglengte | 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.