Mistral Medium 3 is het multimodale model van Mistral AI voor professioneel werk met tekst, visueel begrip en code. De oorspronkelijke release benadrukt programmeer- en STEM-taken, samen met aanpassing aan bedrijfskennis en workflows. Het accepteert tekstueel en visueel materiaal en produceert tekst, waaronder een documentuitleg, gestructureerd record of voorgestelde implementatie. De vaste identificatie van de maker voor deze editie is mistral-medium-2505.
Context en professioneel bronmateriaal
De modelpagina vermeldt een contextvenster van 128k. Gebruik die context om de bronpassages, het gesprek en de instructies te bewaren die het gevraagde artefact bepalen. Geef bij een documentvergelijking aan welke bron de huidige vereiste is, welke de voorgestelde herziening en welke vraag moet worden opgelost. Vraag bij elke bevinding om het ondersteunende document en de sectie.
Een praktische uitleggende taak kan een procedure en een gebruikersvraag aanleveren en vervolgens vragen om de relevante actie en de voorwaarde waaronder deze van toepassing is. Een technische analyse kan brongegevens, definities en het vergelijkingscriterium bevatten. Het doel is een resultaat dat met het aangeleverde materiaal is verbonden, in plaats van een algemene beschrijving van het onderwerp.
Gestructureerde uitvoer en functies
De pagina vermeldt gestructureerde uitvoer en functieaanroepen. Definieer voor extractie de veldnamen, typen en weergave van ontbrekende broninformatie. Een bruikbaar record kan identificatie, bronuitspraak, interpretatie en onopgeloste vraag afzonderlijk weergeven. De gedeelde richtlijnen van Mistral onderscheiden JSON-modus van een aangepast schema en vereisen een expliciet verzoek om het gewenste JSON-formaat.
Functieaanroepen verbinden de interpretatie van het model met door de toepassing beschreven bewerkingen. Het model kiest een functie en stelt argumenten op, de toepassing voert de functie uit en het resultaat wordt context voor het volgende antwoord. Een opzoekactie kan een ontbrekende referentiewaarde leveren; een berekening een resultaat dat voor de uitleg nodig is. Verbind het resultaat met de bewerking die het opleverde en behandel de voorgestelde aanroep niet als een uitgevoerde actie.
Document- en beeldvragen
Voor deze editie worden ook documentvragen vermeld. De gedocumenteerde workflow van de maker bereidt tekst, structuur en opmaak van een document voor met OCR voordat het taalmodel deze analyseert. Vraag naar de specifieke vereiste, passage of relatie die voor de taak nodig is. Bewaar bij meerdere documenten hun identiteit en vraag om een vergelijking met de bronlocatie naast elke conclusie.
Combineer visueel materiaal met een afgebakende vraag en behoud de labels, eenheden en gebieden die nodig zijn om deze te beantwoorden. Bij een grafiek kan worden gevraagd om een vergelijking tussen benoemde reeksen; bij een diagram welke verbinding een aangeleverde vereiste ondersteunt. Een leesbare documentafbeelding en een met OCR voorbereid document zijn verschillende invoervoorbereidingen, ook wanneer beide hetzelfde doel van vraagbeantwoording dienen.
Bewerken, prefixen en workflows
De modelpagina vermeldt voorspelde uitvoer, antwoordprefixen, batchverwerking en agentgesprekken. Voorspelde uitvoer gebruikt bekende inhoud wanneer het grootste deel van een document of codebestand behouden moet blijven en een beperkt deel verandert. Lever de bestaande inhoud aan, specificeer de wijziging en benoem het te behouden materiaal. Dit verschilt van het model vragen een volledig nieuw document te maken.
Een antwoordprefix levert een bekend begin voor de tekst die de assistent genereert en die vervolgens vanaf dat begin verdergaat. Batchverwerking verandert hoe taken worden ingediend, terwijl een agent-/gespreksinterface een samenhangende workflow beheert. De vermelde ingebouwde tools horen bij die interface van de maker; ze voegen geen andere inhoudsmodaliteit aan het onderliggende model toe en voeren geen actie uit zonder de gekoppelde omgeving.
Programmeren en domeinaanpassing
Lever voor een programmeerverzoek de vereiste, de betrokken functie, relevante declaraties en verwachte invoer en uitvoer aan. Vraag om de voorgestelde wijziging, de aannames en voorbeelden die het beoogde gedrag onderscheiden. Een debugvraag kan het foutbewijs bevatten en vragen welk pad door de broncode dit verklaart. Repositorytoegang, code-uitvoering en het toepassen van de wijziging worden geleverd door de omringende ontwikkeltools.
De oorspronkelijke aankondiging beschrijft aangepaste natraining en verdere afstemming voor domeinspecifieke bedrijfscontexten en kennisbanken. Dit is een afzonderlijk aanpassingsproces, geen bewering dat de standaardversie de documenten van een bepaalde organisatie al kent. Lever voor een brongebonden antwoord de relevante documenten en terminologie rechtstreeks bij de taak aan en definieer de antwoordregels.
Editie- en resultaatgrenzen
Deze vermelding behoudt de 2505-identiteit en context van 128k van Medium 3. De architectuuromvang en instelbare hybride redeneerfuncties die later voor Medium 3.5 zijn gedocumenteerd, maken geen deel uit van de opgegeven specificatie van deze editie. De exacte modelpagina publiceert geen parameteraantal of afzonderlijke harde maximale antwoordlengte die van een latere release kan worden overgenomen.
Bereid het beoogde resultaat vóór het verzoek voor: een uitleg, gestructureerde extractie, herziene sectie of voorgestelde code. Houd het tekstuele en visuele bewijs, de bronidentiteiten en eventuele resultaten van gekoppelde tools expliciet, zodat het antwoord kan worden beoordeeld en gebruikt in de volgende toepassingsstap.
", "aboutText": "Mistral Medium 3 is het multimodale model van Mistral AI voor professioneel werk met tekst, visueel begrip en code. De oorspronkelijke release benadrukt programmeer- en STEM-taken, samen met aanpassing aan bedrijfskennis en workflows. Het accepteert tekstueel en visueel materiaal en produceert tekst, waaronder een documentuitleg, gestructureerd record of voorgestelde implementatie. De vaste identificatie van de maker voor deze editie is mistral-medium-2505.\n\nContext en professioneel bronmateriaal\n\nDe modelpagina vermeldt een contextvenster van 128k. Gebruik die context om de bronpassages, het gesprek en de instructies te bewaren die het gevraagde artefact bepalen. Geef bij een documentvergelijking aan welke bron de huidige vereiste is, welke de voorgestelde herziening en welke vraag moet worden opgelost. Vraag bij elke bevinding om het ondersteunende document en de sectie.\n\nEen praktische uitleggende taak kan een procedure en een gebruikersvraag aanleveren en vervolgens vragen om de relevante actie en de voorwaarde waaronder deze van toepassing is. Een technische analyse kan brongegevens, definities en het vergelijkingscriterium bevatten. Het doel is een resultaat dat met het aangeleverde materiaal is verbonden, in plaats van een algemene beschrijving van het onderwerp.\n\nGestructureerde uitvoer en functies\n\nDe pagina vermeldt gestructureerde uitvoer en functieaanroepen. Definieer voor extractie de veldnamen, typen en weergave van ontbrekende broninformatie. Een bruikbaar record kan identificatie, bronuitspraak, interpretatie en onopgeloste vraag afzonderlijk weergeven. De gedeelde richtlijnen van Mistral onderscheiden JSON-modus van een aangepast schema en vereisen een expliciet verzoek om het gewenste JSON-formaat.\n\nFunctieaanroepen verbinden de interpretatie van het model met door de toepassing beschreven bewerkingen. Het model kiest een functie en stelt argumenten op, de toepassing voert de functie uit en het resultaat wordt context voor het volgende antwoord. Een opzoekactie kan een ontbrekende referentiewaarde leveren; een berekening een resultaat dat voor de uitleg nodig is. Verbind het resultaat met de bewerking die het opleverde en behandel de voorgestelde aanroep niet als een uitgevoerde actie.\n\nDocument- en beeldvragen\n\nVoor deze editie worden ook documentvragen vermeld. De gedocumenteerde workflow van de maker bereidt tekst, structuur en opmaak van een document voor met OCR voordat het taalmodel deze analyseert. Vraag naar de specifieke vereiste, passage of relatie die voor de taak nodig is. Bewaar bij meerdere documenten hun identiteit en vraag om een vergelijking met de bronlocatie naast elke conclusie.\n\nCombineer visueel materiaal met een afgebakende vraag en behoud de labels, eenheden en gebieden die nodig zijn om deze te beantwoorden. Bij een grafiek kan worden gevraagd om een vergelijking tussen benoemde reeksen; bij een diagram welke verbinding een aangeleverde vereiste ondersteunt. Een leesbare documentafbeelding en een met OCR voorbereid document zijn verschillende invoervoorbereidingen, ook wanneer beide hetzelfde doel van vraagbeantwoording dienen.\n\nBewerken, prefixen en workflows\n\nDe modelpagina vermeldt voorspelde uitvoer, antwoordprefixen, batchverwerking en agentgesprekken. Voorspelde uitvoer gebruikt bekende inhoud wanneer het grootste deel van een document of codebestand behouden moet blijven en een beperkt deel verandert. Lever de bestaande inhoud aan, specificeer de wijziging en benoem het te behouden materiaal. Dit verschilt van het model vragen een volledig nieuw document te maken.\n\nEen antwoordprefix levert een bekend begin voor de tekst die de assistent genereert en die vervolgens vanaf dat begin verdergaat. Batchverwerking verandert hoe taken worden ingediend, terwijl een agent-/gespreksinterface een samenhangende workflow beheert. De vermelde ingebouwde tools horen bij die interface van de maker; ze voegen geen andere inhoudsmodaliteit aan het onderliggende model toe en voeren geen actie uit zonder de gekoppelde omgeving.\n\nProgrammeren en domeinaanpassing\n\nLever voor een programmeerverzoek de vereiste, de betrokken functie, relevante declaraties en verwachte invoer en uitvoer aan. Vraag om de voorgestelde wijziging, de aannames en voorbeelden die het beoogde gedrag onderscheiden. Een debugvraag kan het foutbewijs bevatten en vragen welk pad door de broncode dit verklaart. Repositorytoegang, code-uitvoering en het toepassen van de wijziging worden geleverd door de omringende ontwikkeltools.\n\nDe oorspronkelijke aankondiging beschrijft aangepaste natraining en verdere afstemming voor domeinspecifieke bedrijfscontexten en kennisbanken. Dit is een afzonderlijk aanpassingsproces, geen bewering dat de standaardversie de documenten van een bepaalde organisatie al kent. Lever voor een brongebonden antwoord de relevante documenten en terminologie rechtstreeks bij de taak aan en definieer de antwoordregels.\n\nEditie- en resultaatgrenzen\n\nDeze vermelding behoudt de 2505-identiteit en context van 128k van Medium 3. De architectuuromvang en instelbare hybride redeneerfuncties die later voor Medium 3.5 zijn gedocumenteerd, maken geen deel uit van de opgegeven specificatie van deze editie. De exacte modelpagina publiceert geen parameteraantal of afzonderlijke harde maximale antwoordlengte die van een latere release kan worden overgenomen.\n\nBereid het beoogde resultaat vóór het verzoek voor: een uitleg, gestructureerde extractie, herziene sectie of voorgestelde code. Houd het tekstuele en visuele bewijs, de bronidentiteiten en eventuele resultaten van gekoppelde tools expliciet, zodat het antwoord kan worden beoordeeld en gebruikt in de volgende toepassingsstap.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.mistralai/mistral-medium-3Mistral Medium 3 is een multimodaal model voor professionele tekst-, beeld- en programmeertaken. De door de maker opgegeven context van 128k en gedocumenteerde gestructureerde uitvoer, functieaanroepen, documentvragen en voorspelbare wijzigingen ondersteunen brongebonden uitleg en toepassingsworkflows.
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 is het multimodale model van Mistral AI voor professioneel werk met tekst, visueel begrip en code. De oorspronkelijke release benadrukt programmeer- en STEM-taken, samen met aanpassing aan bedrijfskennis en workflows. Het accepteert tekstueel en visueel materiaal en produceert tekst, waaronder een documentuitleg, gestructureerd record of voorgestelde implementatie. De vaste identificatie van de maker voor deze editie is mistral-medium-2505.
Context en professioneel bronmateriaal
De modelpagina vermeldt een contextvenster van 128k. Gebruik die context om de bronpassages, het gesprek en de instructies te bewaren die het gevraagde artefact bepalen. Geef bij een documentvergelijking aan welke bron de huidige vereiste is, welke de voorgestelde herziening en welke vraag moet worden opgelost. Vraag bij elke bevinding om het ondersteunende document en de sectie.
Een praktische uitleggende taak kan een procedure en een gebruikersvraag aanleveren en vervolgens vragen om de relevante actie en de voorwaarde waaronder deze van toepassing is. Een technische analyse kan brongegevens, definities en het vergelijkingscriterium bevatten. Het doel is een resultaat dat met het aangeleverde materiaal is verbonden, in plaats van een algemene beschrijving van het onderwerp.
Gestructureerde uitvoer en functies
De pagina vermeldt gestructureerde uitvoer en functieaanroepen. Definieer voor extractie de veldnamen, typen en weergave van ontbrekende broninformatie. Een bruikbaar record kan identificatie, bronuitspraak, interpretatie en onopgeloste vraag afzonderlijk weergeven. De gedeelde richtlijnen van Mistral onderscheiden JSON-modus van een aangepast schema en vereisen een expliciet verzoek om het gewenste JSON-formaat.
Functieaanroepen verbinden de interpretatie van het model met door de toepassing beschreven bewerkingen. Het model kiest een functie en stelt argumenten op, de toepassing voert de functie uit en het resultaat wordt context voor het volgende antwoord. Een opzoekactie kan een ontbrekende referentiewaarde leveren; een berekening een resultaat dat voor de uitleg nodig is. Verbind het resultaat met de bewerking die het opleverde en behandel de voorgestelde aanroep niet als een uitgevoerde actie.
Document- en beeldvragen
Voor deze editie worden ook documentvragen vermeld. De gedocumenteerde workflow van de maker bereidt tekst, structuur en opmaak van een document voor met OCR voordat het taalmodel deze analyseert. Vraag naar de specifieke vereiste, passage of relatie die voor de taak nodig is. Bewaar bij meerdere documenten hun identiteit en vraag om een vergelijking met de bronlocatie naast elke conclusie.
Combineer visueel materiaal met een afgebakende vraag en behoud de labels, eenheden en gebieden die nodig zijn om deze te beantwoorden. Bij een grafiek kan worden gevraagd om een vergelijking tussen benoemde reeksen; bij een diagram welke verbinding een aangeleverde vereiste ondersteunt. Een leesbare documentafbeelding en een met OCR voorbereid document zijn verschillende invoervoorbereidingen, ook wanneer beide hetzelfde doel van vraagbeantwoording dienen.
Bewerken, prefixen en workflows
De modelpagina vermeldt voorspelde uitvoer, antwoordprefixen, batchverwerking en agentgesprekken. Voorspelde uitvoer gebruikt bekende inhoud wanneer het grootste deel van een document of codebestand behouden moet blijven en een beperkt deel verandert. Lever de bestaande inhoud aan, specificeer de wijziging en benoem het te behouden materiaal. Dit verschilt van het model vragen een volledig nieuw document te maken.
Een antwoordprefix levert een bekend begin voor de tekst die de assistent genereert en die vervolgens vanaf dat begin verdergaat. Batchverwerking verandert hoe taken worden ingediend, terwijl een agent-/gespreksinterface een samenhangende workflow beheert. De vermelde ingebouwde tools horen bij die interface van de maker; ze voegen geen andere inhoudsmodaliteit aan het onderliggende model toe en voeren geen actie uit zonder de gekoppelde omgeving.
Programmeren en domeinaanpassing
Lever voor een programmeerverzoek de vereiste, de betrokken functie, relevante declaraties en verwachte invoer en uitvoer aan. Vraag om de voorgestelde wijziging, de aannames en voorbeelden die het beoogde gedrag onderscheiden. Een debugvraag kan het foutbewijs bevatten en vragen welk pad door de broncode dit verklaart. Repositorytoegang, code-uitvoering en het toepassen van de wijziging worden geleverd door de omringende ontwikkeltools.
De oorspronkelijke aankondiging beschrijft aangepaste natraining en verdere afstemming voor domeinspecifieke bedrijfscontexten en kennisbanken. Dit is een afzonderlijk aanpassingsproces, geen bewering dat de standaardversie de documenten van een bepaalde organisatie al kent. Lever voor een brongebonden antwoord de relevante documenten en terminologie rechtstreeks bij de taak aan en definieer de antwoordregels.
Editie- en resultaatgrenzen
Deze vermelding behoudt de 2505-identiteit en context van 128k van Medium 3. De architectuuromvang en instelbare hybride redeneerfuncties die later voor Medium 3.5 zijn gedocumenteerd, maken geen deel uit van de opgegeven specificatie van deze editie. De exacte modelpagina publiceert geen parameteraantal of afzonderlijke harde maximale antwoordlengte die van een latere release kan worden overgenomen.
Bereid het beoogde resultaat vóór het verzoek voor: een uitleg, gestructureerde extractie, herziene sectie of voorgestelde code. Houd het tekstuele en visuele bewijs, de bronidentiteiten en eventuele resultaten van gekoppelde tools expliciet, zodat het antwoord kan worden beoordeeld en gebruikt in de volgende toepassingsstap.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-medium-3 | 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 $0.0008 / 1K tokens Uitvoer · Uitvoertokens $0.004 / 1K tokens Invoer · Cache lezen $0.00008 / 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 $0.0008 / 1K tokens Uitvoer · Uitvoertokens $0.004 / 1K tokens Invoer · Cache lezen $0.00008 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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", "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',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',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
Gebruik de hierboven getoonde methodepaden.
mistralai/mistral-medium-3Mistral Medium 3 is een multimodaal model voor professionele tekst-, beeld- en programmeertaken. De door de maker opgegeven context van 128k en gedocumenteerde gestructureerde uitvoer, functieaanroepen, documentvragen en voorspelbare wijzigingen ondersteunen brongebonden uitleg en toepassingsworkflows.
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 is het multimodale model van Mistral AI voor professioneel werk met tekst, visueel begrip en code. De oorspronkelijke release benadrukt programmeer- en STEM-taken, samen met aanpassing aan bedrijfskennis en workflows. Het accepteert tekstueel en visueel materiaal en produceert tekst, waaronder een documentuitleg, gestructureerd record of voorgestelde implementatie. De vaste identificatie van de maker voor deze editie is mistral-medium-2505.
Context en professioneel bronmateriaal
De modelpagina vermeldt een contextvenster van 128k. Gebruik die context om de bronpassages, het gesprek en de instructies te bewaren die het gevraagde artefact bepalen. Geef bij een documentvergelijking aan welke bron de huidige vereiste is, welke de voorgestelde herziening en welke vraag moet worden opgelost. Vraag bij elke bevinding om het ondersteunende document en de sectie.
Een praktische uitleggende taak kan een procedure en een gebruikersvraag aanleveren en vervolgens vragen om de relevante actie en de voorwaarde waaronder deze van toepassing is. Een technische analyse kan brongegevens, definities en het vergelijkingscriterium bevatten. Het doel is een resultaat dat met het aangeleverde materiaal is verbonden, in plaats van een algemene beschrijving van het onderwerp.
Gestructureerde uitvoer en functies
De pagina vermeldt gestructureerde uitvoer en functieaanroepen. Definieer voor extractie de veldnamen, typen en weergave van ontbrekende broninformatie. Een bruikbaar record kan identificatie, bronuitspraak, interpretatie en onopgeloste vraag afzonderlijk weergeven. De gedeelde richtlijnen van Mistral onderscheiden JSON-modus van een aangepast schema en vereisen een expliciet verzoek om het gewenste JSON-formaat.
Functieaanroepen verbinden de interpretatie van het model met door de toepassing beschreven bewerkingen. Het model kiest een functie en stelt argumenten op, de toepassing voert de functie uit en het resultaat wordt context voor het volgende antwoord. Een opzoekactie kan een ontbrekende referentiewaarde leveren; een berekening een resultaat dat voor de uitleg nodig is. Verbind het resultaat met de bewerking die het opleverde en behandel de voorgestelde aanroep niet als een uitgevoerde actie.
Document- en beeldvragen
Voor deze editie worden ook documentvragen vermeld. De gedocumenteerde workflow van de maker bereidt tekst, structuur en opmaak van een document voor met OCR voordat het taalmodel deze analyseert. Vraag naar de specifieke vereiste, passage of relatie die voor de taak nodig is. Bewaar bij meerdere documenten hun identiteit en vraag om een vergelijking met de bronlocatie naast elke conclusie.
Combineer visueel materiaal met een afgebakende vraag en behoud de labels, eenheden en gebieden die nodig zijn om deze te beantwoorden. Bij een grafiek kan worden gevraagd om een vergelijking tussen benoemde reeksen; bij een diagram welke verbinding een aangeleverde vereiste ondersteunt. Een leesbare documentafbeelding en een met OCR voorbereid document zijn verschillende invoervoorbereidingen, ook wanneer beide hetzelfde doel van vraagbeantwoording dienen.
Bewerken, prefixen en workflows
De modelpagina vermeldt voorspelde uitvoer, antwoordprefixen, batchverwerking en agentgesprekken. Voorspelde uitvoer gebruikt bekende inhoud wanneer het grootste deel van een document of codebestand behouden moet blijven en een beperkt deel verandert. Lever de bestaande inhoud aan, specificeer de wijziging en benoem het te behouden materiaal. Dit verschilt van het model vragen een volledig nieuw document te maken.
Een antwoordprefix levert een bekend begin voor de tekst die de assistent genereert en die vervolgens vanaf dat begin verdergaat. Batchverwerking verandert hoe taken worden ingediend, terwijl een agent-/gespreksinterface een samenhangende workflow beheert. De vermelde ingebouwde tools horen bij die interface van de maker; ze voegen geen andere inhoudsmodaliteit aan het onderliggende model toe en voeren geen actie uit zonder de gekoppelde omgeving.
Programmeren en domeinaanpassing
Lever voor een programmeerverzoek de vereiste, de betrokken functie, relevante declaraties en verwachte invoer en uitvoer aan. Vraag om de voorgestelde wijziging, de aannames en voorbeelden die het beoogde gedrag onderscheiden. Een debugvraag kan het foutbewijs bevatten en vragen welk pad door de broncode dit verklaart. Repositorytoegang, code-uitvoering en het toepassen van de wijziging worden geleverd door de omringende ontwikkeltools.
De oorspronkelijke aankondiging beschrijft aangepaste natraining en verdere afstemming voor domeinspecifieke bedrijfscontexten en kennisbanken. Dit is een afzonderlijk aanpassingsproces, geen bewering dat de standaardversie de documenten van een bepaalde organisatie al kent. Lever voor een brongebonden antwoord de relevante documenten en terminologie rechtstreeks bij de taak aan en definieer de antwoordregels.
Editie- en resultaatgrenzen
Deze vermelding behoudt de 2505-identiteit en context van 128k van Medium 3. De architectuuromvang en instelbare hybride redeneerfuncties die later voor Medium 3.5 zijn gedocumenteerd, maken geen deel uit van de opgegeven specificatie van deze editie. De exacte modelpagina publiceert geen parameteraantal of afzonderlijke harde maximale antwoordlengte die van een latere release kan worden overgenomen.
Bereid het beoogde resultaat vóór het verzoek voor: een uitleg, gestructureerde extractie, herziene sectie of voorgestelde code. Houd het tekstuele en visuele bewijs, de bronidentiteiten en eventuele resultaten van gekoppelde tools expliciet, zodat het antwoord kan worden beoordeeld en gebruikt in de volgende toepassingsstap.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten mistralai/mistral-medium-3 | 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 $0.0008 / 1K tokens Uitvoer · Uitvoertokens $0.004 / 1K tokens Invoer · Cache lezen $0.00008 / 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 $0.0008 / 1K tokens Uitvoer · Uitvoertokens $0.004 / 1K tokens Invoer · Cache lezen $0.00008 / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "mistralai/mistral-medium-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.