Mistral Medium 3.5 is het dense model van Mistral AI met 128 miljard parameters dat instructievolging, redeneren en programmeren in één set gewichten combineert. Het ontvangt tekst en afbeeldingen en retourneert tekst. De maker positioneert het voor agent- en programmeertaken, terwijl hetzelfde checkpoint een direct gespreksantwoord kan produceren of de gedocumenteerde redeneermodus kan gebruiken voor een uitgebreidere taak.
Eén model en visuele mogelijkheden
De uitgebrachte modelkaart specificeert 128 miljard dense parameters en een contextvenster van 256k. De visuele encoder is getraind voor verschillende beeldformaten en verhoudingen. Afbeeldingen kunnen bewijs leveren voor een programmeer- of documenttaak: een schermafbeelding van een interface, een diagram bij een vereiste of een pagina met informatie die het model moet interpreteren. Het resultaat kan een schriftelijke uitleg, code of gestructureerde velden zijn, in plaats van een gegenereerde afbeelding.
De maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook benadrukt hij het volgen van systeemprompts en native functieaanroepen met JSON-uitvoer. Stel publiek, taal en antwoordregels afzonderlijk in van het te onderzoeken materiaal, zodat de formulering van een brondocument bewijs voor de taak blijft.
Redeneerinstellingen
De modelkaart documenteert twee waarden voor redeneerinspanning per verzoek. De waarde none geeft een instructiegericht antwoord zonder redeneermodus; high schakelt redeneren in en wordt aanbevolen voor complexe prompts en programmeren met agents. Dit is een moduskeuze binnen hetzelfde Medium 3.5-checkpoint, geen andere modelidentiteit.
Voor hoge redeneerinspanning beveelt de maker temperature 0.7 en top-p 0.95 aan. Voor none documenteert hij temperaturen tussen 0.0 en 0.7 afhankelijk van de taak en laat hij top-p oningesteld of op 1.0. Dit zijn aanbevelingen voor de release. Kies eerst het doel van de uitvoer: een beknopte veldextractie, een codewijziging met uitleg of een vergelijking die meerdere onderbouwde beslissingen vereist.
Een praktische redeneertaak kan een vereiste, de implementatie en de invoer die een afwijking blootlegt aanleveren. Vraag het model om het relevante pad aan te wijzen, de afwijking uit te leggen en de kleinste wijziging voor te stellen die de openbare interface behoudt. Vraag om de herziene code afzonderlijk van de aannames en voorbeelden. Het model genereert een voorstel; compileren, uitvoeren en toepassen vereisen de met de agent verbonden ontwikkelomgeving.
Tools, documenten en voorspelbare wijzigingen
De servicekaart van de maker vermeldt ook gestructureerde uitvoer, voorspelde uitvoer, documentvragen, antwoordprefixen, batchverwerking en agentgesprekken. Definieer voor extractie de veldnamen, typen en omgang met ontbrekende waarden. JSON-modus levert een gestructureerde weergave, terwijl een aangepast schema een specifiekere vorm definieert in de gekoppelde interface. Vraag alleen om het record wanneer een programma het gaat verwerken, en om een afzonderlijke uitleg wanneer een persoon de interpretatie moet beoordelen.
Documentvragen combineren met OCR voorbereide tekst en structuur met taalmodelbegrip. Benoem voor een vergelijking de documenten en de te beoordelen voorwaarde, en vraag vervolgens om elke bevinding met de bronlocatie. Een bruikbare uitvoer kan gedeelde vereisten, verschillen en open vragen scheiden. Directe beeldvragen kunnen zich richten op een grafieklabel of interface-element; het behouden van koppen, eenheden en de rol van afbeeldingen houdt het antwoord verbonden met het aangeleverde materiaal.
Voorspelde uitvoer is gedocumenteerd voor taken waarbij veel van het gewenste antwoord al bekend is, zoals het opnieuw genereren van een codebestand of document met beperkte wijzigingen. Lever de bestaande inhoud aan en benoem de specifieke wijziging, met behoud van de onderdelen die moeten blijven staan. Dit verschilt van vragen om een volledig nieuw artefact of verdergaan vanaf een bekende antwoordprefix. De servicefuncties beschrijven indienings- en opmaakopties; ze veranderen niets aan de tekst- en beeldinvoer of tekstuitvoer van het model.
In een met tools ondersteunde workflow levert de toepassing functiebeschrijvingen en parameters, kiest het model een functie en stelt het argumenten op, waarna de toepassing deze uitvoert en het resultaat teruggeeft. Een rekentool kan waarden ontvangen die uit een aangeleverde afbeelding zijn gelezen, terwijl een opzoektool ontbrekende informatie voor het volgende antwoord kan leveren. Verbind het toolresultaat met de bewerking die het opleverde. Redeneren met agents berust op die omgeving; tekstgeneratie alleen voert geen externe acties uit.
Lange sessies voorbereiden
Gebruik de context van 256k voor samenhangende broncode, documenten en gespreksgeschiedenis en houd het daadwerkelijke doel expliciet. Een programmeersessie kan de module, haar aanroeper en de vereisten bewaren terwijl om één afgebakende wijziging wordt gevraagd. Een documentsessie kan relevante secties bij elkaar houden en een korte tabel of herziene passage opleveren. De contextcapaciteit specificeert geen afzonderlijke maximale antwoordlengte; het generatievoorbeeld van 1.024 tokens op de modelkaart is een illustratie, geen dergelijke limiet.
De maker merkt op dat een eerder uitgebrachte configuratie een fout voor lange context bevatte en dat die is gecorrigeerd, ook met gevolgen voor afgeleide checkpoints. Behoud de gecorrigeerde releaseconfiguratie wanneer u de gewichten voor lange sessies gebruikt. De hybride modi en architectuur met 128 miljard parameters van Medium 3.5 mogen niet aan Medium 3.1 of een afzonderlijk benoemd draft-head-checkpoint worden toegeschreven alleen omdat de namen dezelfde familie delen.
", "aboutText": "Mistral Medium 3.5 is het dense model van Mistral AI met 128 miljard parameters dat instructievolging, redeneren en programmeren in één set gewichten combineert. Het ontvangt tekst en afbeeldingen en retourneert tekst. De maker positioneert het voor agent- en programmeertaken, terwijl hetzelfde checkpoint een direct gespreksantwoord kan produceren of de gedocumenteerde redeneermodus kan gebruiken voor een uitgebreidere taak.\n\nEén model en visuele mogelijkheden\n\nDe uitgebrachte modelkaart specificeert 128 miljard dense parameters en een contextvenster van 256k. De visuele encoder is getraind voor verschillende beeldformaten en verhoudingen. Afbeeldingen kunnen bewijs leveren voor een programmeer- of documenttaak: een schermafbeelding van een interface, een diagram bij een vereiste of een pagina met informatie die het model moet interpreteren. Het resultaat kan een schriftelijke uitleg, code of gestructureerde velden zijn, in plaats van een gegenereerde afbeelding.\n\nDe maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook benadrukt hij het volgen van systeemprompts en native functieaanroepen met JSON-uitvoer. Stel publiek, taal en antwoordregels afzonderlijk in van het te onderzoeken materiaal, zodat de formulering van een brondocument bewijs voor de taak blijft.\n\nRedeneerinstellingen\n\nDe modelkaart documenteert twee waarden voor redeneerinspanning per verzoek. De waarde none geeft een instructiegericht antwoord zonder redeneermodus; high schakelt redeneren in en wordt aanbevolen voor complexe prompts en programmeren met agents. Dit is een moduskeuze binnen hetzelfde Medium 3.5-checkpoint, geen andere modelidentiteit.\n\nVoor hoge redeneerinspanning beveelt de maker temperature 0.7 en top-p 0.95 aan. Voor none documenteert hij temperaturen tussen 0.0 en 0.7 afhankelijk van de taak en laat hij top-p oningesteld of op 1.0. Dit zijn aanbevelingen voor de release. Kies eerst het doel van de uitvoer: een beknopte veldextractie, een codewijziging met uitleg of een vergelijking die meerdere onderbouwde beslissingen vereist.\n\nEen praktische redeneertaak kan een vereiste, de implementatie en de invoer die een afwijking blootlegt aanleveren. Vraag het model om het relevante pad aan te wijzen, de afwijking uit te leggen en de kleinste wijziging voor te stellen die de openbare interface behoudt. Vraag om de herziene code afzonderlijk van de aannames en voorbeelden. Het model genereert een voorstel; compileren, uitvoeren en toepassen vereisen de met de agent verbonden ontwikkelomgeving.\n\nTools, documenten en voorspelbare wijzigingen\n\nDe servicekaart van de maker vermeldt ook gestructureerde uitvoer, voorspelde uitvoer, documentvragen, antwoordprefixen, batchverwerking en agentgesprekken. Definieer voor extractie de veldnamen, typen en omgang met ontbrekende waarden. JSON-modus levert een gestructureerde weergave, terwijl een aangepast schema een specifiekere vorm definieert in de gekoppelde interface. Vraag alleen om het record wanneer een programma het gaat verwerken, en om een afzonderlijke uitleg wanneer een persoon de interpretatie moet beoordelen.\n\nDocumentvragen combineren met OCR voorbereide tekst en structuur met taalmodelbegrip. Benoem voor een vergelijking de documenten en de te beoordelen voorwaarde, en vraag vervolgens om elke bevinding met de bronlocatie. Een bruikbare uitvoer kan gedeelde vereisten, verschillen en open vragen scheiden. Directe beeldvragen kunnen zich richten op een grafieklabel of interface-element; het behouden van koppen, eenheden en de rol van afbeeldingen houdt het antwoord verbonden met het aangeleverde materiaal.\n\nVoorspelde uitvoer is gedocumenteerd voor taken waarbij veel van het gewenste antwoord al bekend is, zoals het opnieuw genereren van een codebestand of document met beperkte wijzigingen. Lever de bestaande inhoud aan en benoem de specifieke wijziging, met behoud van de onderdelen die moeten blijven staan. Dit verschilt van vragen om een volledig nieuw artefact of verdergaan vanaf een bekende antwoordprefix. De servicefuncties beschrijven indienings- en opmaakopties; ze veranderen niets aan de tekst- en beeldinvoer of tekstuitvoer van het model.\n\nIn een met tools ondersteunde workflow levert de toepassing functiebeschrijvingen en parameters, kiest het model een functie en stelt het argumenten op, waarna de toepassing deze uitvoert en het resultaat teruggeeft. Een rekentool kan waarden ontvangen die uit een aangeleverde afbeelding zijn gelezen, terwijl een opzoektool ontbrekende informatie voor het volgende antwoord kan leveren. Verbind het toolresultaat met de bewerking die het opleverde. Redeneren met agents berust op die omgeving; tekstgeneratie alleen voert geen externe acties uit.\n\nLange sessies voorbereiden\n\nGebruik de context van 256k voor samenhangende broncode, documenten en gespreksgeschiedenis en houd het daadwerkelijke doel expliciet. Een programmeersessie kan de module, haar aanroeper en de vereisten bewaren terwijl om één afgebakende wijziging wordt gevraagd. Een documentsessie kan relevante secties bij elkaar houden en een korte tabel of herziene passage opleveren. De contextcapaciteit specificeert geen afzonderlijke maximale antwoordlengte; het generatievoorbeeld van 1.024 tokens op de modelkaart is een illustratie, geen dergelijke limiet.\n\nDe maker merkt op dat een eerder uitgebrachte configuratie een fout voor lange context bevatte en dat die is gecorrigeerd, ook met gevolgen voor afgeleide checkpoints. Behoud de gecorrigeerde releaseconfiguratie wanneer u de gewichten voor lange sessies gebruikt. De hybride modi en architectuur met 128 miljard parameters van Medium 3.5 mogen niet aan Medium 3.1 of een afzonderlijk benoemd draft-head-checkpoint worden toegeschreven alleen omdat de namen dezelfde familie delen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "869bb3a0b9ae0b582d18e498265b468a87059366f4f8684906146a1179d36942", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "mistralai/mistral-medium-3-5:batchMistral Medium 3.5 combineert instructievolging, redeneren en programmeren in een dense tekst- en beeldmodel met 128 miljard parameters. Het heeft een door de maker opgegeven context van 256k, redeneerinstellingen per verzoek, native functieaanroepen en gestructureerde uitvoer voor document- en agentworkflows.
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 3.5 is het dense model van Mistral AI met 128 miljard parameters dat instructievolging, redeneren en programmeren in één set gewichten combineert. Het ontvangt tekst en afbeeldingen en retourneert tekst. De maker positioneert het voor agent- en programmeertaken, terwijl hetzelfde checkpoint een direct gespreksantwoord kan produceren of de gedocumenteerde redeneermodus kan gebruiken voor een uitgebreidere taak.
Eén model en visuele mogelijkheden
De uitgebrachte modelkaart specificeert 128 miljard dense parameters en een contextvenster van 256k. De visuele encoder is getraind voor verschillende beeldformaten en verhoudingen. Afbeeldingen kunnen bewijs leveren voor een programmeer- of documenttaak: een schermafbeelding van een interface, een diagram bij een vereiste of een pagina met informatie die het model moet interpreteren. Het resultaat kan een schriftelijke uitleg, code of gestructureerde velden zijn, in plaats van een gegenereerde afbeelding.
De maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook benadrukt hij het volgen van systeemprompts en native functieaanroepen met JSON-uitvoer. Stel publiek, taal en antwoordregels afzonderlijk in van het te onderzoeken materiaal, zodat de formulering van een brondocument bewijs voor de taak blijft.
Redeneerinstellingen
De modelkaart documenteert twee waarden voor redeneerinspanning per verzoek. De waarde none geeft een instructiegericht antwoord zonder redeneermodus; high schakelt redeneren in en wordt aanbevolen voor complexe prompts en programmeren met agents. Dit is een moduskeuze binnen hetzelfde Medium 3.5-checkpoint, geen andere modelidentiteit.
Voor hoge redeneerinspanning beveelt de maker temperature 0.7 en top-p 0.95 aan. Voor none documenteert hij temperaturen tussen 0.0 en 0.7 afhankelijk van de taak en laat hij top-p oningesteld of op 1.0. Dit zijn aanbevelingen voor de release. Kies eerst het doel van de uitvoer: een beknopte veldextractie, een codewijziging met uitleg of een vergelijking die meerdere onderbouwde beslissingen vereist.
Een praktische redeneertaak kan een vereiste, de implementatie en de invoer die een afwijking blootlegt aanleveren. Vraag het model om het relevante pad aan te wijzen, de afwijking uit te leggen en de kleinste wijziging voor te stellen die de openbare interface behoudt. Vraag om de herziene code afzonderlijk van de aannames en voorbeelden. Het model genereert een voorstel; compileren, uitvoeren en toepassen vereisen de met de agent verbonden ontwikkelomgeving.
Tools, documenten en voorspelbare wijzigingen
De servicekaart van de maker vermeldt ook gestructureerde uitvoer, voorspelde uitvoer, documentvragen, antwoordprefixen, batchverwerking en agentgesprekken. Definieer voor extractie de veldnamen, typen en omgang met ontbrekende waarden. JSON-modus levert een gestructureerde weergave, terwijl een aangepast schema een specifiekere vorm definieert in de gekoppelde interface. Vraag alleen om het record wanneer een programma het gaat verwerken, en om een afzonderlijke uitleg wanneer een persoon de interpretatie moet beoordelen.
Documentvragen combineren met OCR voorbereide tekst en structuur met taalmodelbegrip. Benoem voor een vergelijking de documenten en de te beoordelen voorwaarde, en vraag vervolgens om elke bevinding met de bronlocatie. Een bruikbare uitvoer kan gedeelde vereisten, verschillen en open vragen scheiden. Directe beeldvragen kunnen zich richten op een grafieklabel of interface-element; het behouden van koppen, eenheden en de rol van afbeeldingen houdt het antwoord verbonden met het aangeleverde materiaal.
Voorspelde uitvoer is gedocumenteerd voor taken waarbij veel van het gewenste antwoord al bekend is, zoals het opnieuw genereren van een codebestand of document met beperkte wijzigingen. Lever de bestaande inhoud aan en benoem de specifieke wijziging, met behoud van de onderdelen die moeten blijven staan. Dit verschilt van vragen om een volledig nieuw artefact of verdergaan vanaf een bekende antwoordprefix. De servicefuncties beschrijven indienings- en opmaakopties; ze veranderen niets aan de tekst- en beeldinvoer of tekstuitvoer van het model.
In een met tools ondersteunde workflow levert de toepassing functiebeschrijvingen en parameters, kiest het model een functie en stelt het argumenten op, waarna de toepassing deze uitvoert en het resultaat teruggeeft. Een rekentool kan waarden ontvangen die uit een aangeleverde afbeelding zijn gelezen, terwijl een opzoektool ontbrekende informatie voor het volgende antwoord kan leveren. Verbind het toolresultaat met de bewerking die het opleverde. Redeneren met agents berust op die omgeving; tekstgeneratie alleen voert geen externe acties uit.
Lange sessies voorbereiden
Gebruik de context van 256k voor samenhangende broncode, documenten en gespreksgeschiedenis en houd het daadwerkelijke doel expliciet. Een programmeersessie kan de module, haar aanroeper en de vereisten bewaren terwijl om één afgebakende wijziging wordt gevraagd. Een documentsessie kan relevante secties bij elkaar houden en een korte tabel of herziene passage opleveren. De contextcapaciteit specificeert geen afzonderlijke maximale antwoordlengte; het generatievoorbeeld van 1.024 tokens op de modelkaart is een illustratie, geen dergelijke limiet.
De maker merkt op dat een eerder uitgebrachte configuratie een fout voor lange context bevatte en dat die is gecorrigeerd, ook met gevolgen voor afgeleide checkpoints. Behoud de gecorrigeerde releaseconfiguratie wanneer u de gewichten voor lange sessies gebruikt. De hybride modi en architectuur met 128 miljard parameters van Medium 3.5 mogen niet aan Medium 3.1 of een afzonderlijk benoemd draft-head-checkpoint worden toegeschreven alleen omdat de namen dezelfde familie delen.
POST /v1/batchestexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldendpoint | Typestring | VereisteVereist | Waarden en limieten /v1/chat/completions | Standaard— |
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-medium-3-5:batch | Standaard— |
Veldrequests | Typebatch_item[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldrequests[].custom_id | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldrequests[].body.messages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldcompletion_window | Typestring | VereisteOptioneel | Waarden en limieten 24h | Standaard— |
Veldprovider | Typeobject|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldrequests[].body.model | Typestring | VereisteOptioneel | Waarden en limieten mistralai/mistral-medium-3-5:batch, mistralai/mistral-medium-3-5 | Standaard— |
Veldprovider.only | Typestring[] | VereisteOptioneel | Waarden en limieten mistral | Standaard— |
Veldprovider.allow_fallbacks | Typeboolean|null | VereisteOptioneel | Waarden en limieten false, null | Standaard— |
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractendpoint, model, requests |
Parametermaterial_types | Contracttext |
Parameterrepresentation | Contractinline requests[]; elk item bevat custom_id en body |
Parameterrequest_endpoint_profile | Contract/v1/chat/completions |
Parameterfile_material | ContractDe aanroeper mag daadwerkelijke JSONL-inhoud in UTF-8 lokaal in requests[] inlezen. Er wordt geen uploaddoel (purpose), input_file_id of bestandsverwijzing gebruikt. Ontbrekend of leeg klantmateriaal stopt de voorbereiding vóór POST. |
Parameterserialization_order | Contractendpoint, model, provider (indien opgegeven), completion_window (indien opgegeven), requests als laatste |
Parameteroptional_controls | Contractprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | ContractBody’s voor tekstaanvragen via Chat Completions in de gedocumenteerde inline Batch-envelop. |
Levenscyclus: asynchronous
GET /v1/batches/{operation_id} · de daadwerkelijke response.id uit het oorspronkelijke aanmaakantwoord; dezelfde gebruiker/sleutel/groep
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 $0.0015 / 1K tokens Uitvoer · Uitvoertokens $0.0075 / 1K tokens Invoer · Cache lezen — / 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 $0.0015 / 1K tokens Uitvoer · Uitvoertokens $0.0075 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-medium-3-5:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/mistral-medium-3-5:batch', 'mistralai/mistral-medium-3-5']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3-5:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\ninline results[].response.body JSON
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nBewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar de volledige oorspronkelijke status-JSON, elk resultaat/custom_id en de volledige antwoord- of foutbody. Sla voltooide results[] zonder filtering op als JSONL.
Bewaar de oorspronkelijke bewerkings-ID. Bij 503 result_pending_check hoort X-Should-Retry:false; dien een oorspronkelijke batch met onbekende uitkomst nooit opnieuw in.
| Veld | Type |
|---|---|
Veldresults[].custom_id | Typestring |
Veldresults[].response.body.choices[].message.content | Typestring|null |
Veldresults[].error | Typeobject|null |
Veldusage | Typeobject|null |
Veldid | Typestring |
Veldmodel | Typestring |
Veldendpoint | Typestring |
Veldstatus | Typestring |
Veldrequest_counts | Typeobject |
Veldresults[].id | Typestring |
Veldresults[].response.status_code | Typeinteger |
Veldresults[].response.request_id | Typestring |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeOngeldige gedocumenteerde inline envelop, dubbele sleutels, ongeldige itemidentiteit of een conflict met de geconfigureerde modelmogelijkheden. | Volgende stapCorrigeer de aangegeven velden voordat u een nieuwe aanvraag indient. |
Antwoord401 · authentication_error | VoorwaardeOngeldige API-sleutel. | Volgende stapGebruik de geautoriseerde Ailoot-sleutel. |
Antwoord403 · permission_error | VoorwaardeBatch-groep niet beschikbaar. | Volgende stapControleer de toegangsrechten van de sleutel/groep. |
Antwoord422 · invalid_request_error | VoorwaardeBij Batch worden kosten van het saldo afgeschreven; aanmaken via een abonnement wordt geweigerd. | Volgende stapGebruik de geautoriseerde groep waarvoor kosten van het saldo worden afgeschreven. |
Antwoord422 · price_unavailable | VoorwaardeVoor de Batch-invoer kan geen prijsopgave worden berekend. | Volgende stapBewaar het antwoord; gebruik de gedocumenteerde invoer voor deze familie. |
Antwoord402 · billing_error | VoorwaardeBatch-reservering niet beschikbaar. | Volgende stapLos het toelatingsprobleem op voordat u een nieuwe aanvraag indient. |
Antwoord503 · price_unavailable | VoorwaardePrijs voor de Batch-methode/native tarieven niet beschikbaar. | Volgende stapBewaar het antwoord; vervang de prijzen niet. |
Antwoord503 · api_error | VoorwaardeDe exacte leveranciersroute is niet beschikbaar. | Volgende stapBewaar het antwoord voor herstel van de route. |
Antwoord503 · result_pending_check | VoorwaardeHet oorspronkelijke resultaat moet worden gecontroleerd; X-Should-Retry:false. | Volgende stapBewaar de oorspronkelijke operation_id/id en lees de status ervan uit; herhaal de oorspronkelijke POST nooit. |
Antwoord404 · not_found | VoorwaardeDe bewerking voor de Batch-status ontbreekt of is eigendom van een andere identiteit. | Volgende stapGebruik exact de oorspronkelijke id en dezelfde gebruiker/sleutel/groep. |
Ailoot Ultra mistralai/mistral-medium-3-5:batch
Gebruik de hierboven getoonde methodepaden.