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": { "practical_html": "Technisch voorbeeld in het Engels
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral 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/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-medium-3-5 | 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 $0.003 / 1K tokens Uitvoer · Uitvoertokens $0.015 / 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 $0.003 / 1K tokens Uitvoer · Uitvoertokens $0.015 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3-5", "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-medium-3-5',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-medium-3-5',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-medium-3-5
Gebruik de hierboven getoonde methodepaden.
mistralai/mistral-medium-3-5Mistral 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/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-medium-3-5 | 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 $0.003 / 1K tokens Uitvoer · Uitvoertokens $0.015 / 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 $0.003 / 1K tokens Uitvoer · Uitvoertokens $0.015 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-3-5', '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-medium-3-5', '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-medium-3-5
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.