Pixtral Large 2411 is een multimodaal model van Mistral AI met 124 miljard parameters. Het combineert een decoder van 123 miljard parameters met een vision-encoder van 1 miljard parameters en is gebaseerd op Mistral Large 2. De fabrikant beschrijft het begrijpen van documenten, grafieken en natuurlijke beelden naast teksttaken, met een contextvenster van 128K.
Geef elke afbeelding een label en benoem het detail dat het antwoord moet onderzoeken. Bij een grafiek kun je vragen naar de zichtbare trend, de relevante labels en de waarden die een waarneming ondersteunen. Bij een afbeelding van een document kun je informatie uit een benoemd veld of een specifieke passage opvragen. Voeg schriftelijke context toe als die uitlegt waarom het detail van belang is.
Benoem bij meerdere afbeeldingen welke kenmerken moeten worden vergeleken en vraag om een afzonderlijke waarneming voor elke bron met een label. Houd het antwoord gekoppeld aan het aangeleverde materiaal en bewaar afbeeldings- of paginalabels bij de geëxtraheerde informatie. Controleer die details aan de hand van het origineel voordat je ze in een volgende bewerking gebruikt.
Selecteer de passages en afbeeldingen die relevant zijn voor de huidige vraag. Voor een briefing kun je vragen om uit te leggen hoe een figuur samenhangt met de bijbehorende tekst. Bij een vergelijking kun je aangeven welke aspecten in verschillende bronnen moeten worden onderzocht en vragen om de ondersteunende labels naast de bevindingen te vermelden.
Bepaal het gewenste eindresultaat en de lengte voordat je het materiaal verstuurt. Een beknopte beschrijving, een verzameling geëxtraheerde velden of een vergelijkingstabel geeft de beoordeling een concreet doel. Behoud namen, hoeveelheden en bronidentificaties die het resultaat beïnvloeden.
De maker raadt aan een systeemprompt op te nemen die het doel van de assistent duidelijk benoemt. Geef de taakvoorwaarden en de gewenste antwoordstijl expliciet aan, ook wanneer de rolbeschrijving kort is. Het gedocumenteerde instructieformaat van het model heeft een eigen verwerking van systeemprompts voor directe modelimplementaties.
De genoemde gehoste modelvariant vermeldt een context van 128.000 tokens. Stem de relevante tekst, afbeeldingen en conversatie af op de beschikbare ruimte van die variant en laat ruimte over voor het antwoord. De voorbereiding van afbeeldingen en de limieten per verzoek horen bij de configuratie van de modeldienst; de aantallen afbeeldingen in voorbeelden van de producent zijn voorbeelden en geen universele limieten voor elk endpoint.
", "aboutText": "Pixtral Large 2411 is een multimodaal model van Mistral AI met 124 miljard parameters. Het combineert een decoder van 123 miljard parameters met een vision-encoder van 1 miljard parameters en is gebaseerd op Mistral Large 2. De fabrikant beschrijft het begrijpen van documenten, grafieken en natuurlijke beelden naast teksttaken, met een contextvenster van 128K.\n\n### Stel een precieze vraag over beeldmateriaal\n\nGeef elke afbeelding een label en benoem het detail dat het antwoord moet onderzoeken. Bij een grafiek kun je vragen naar de zichtbare trend, de relevante labels en de waarden die een waarneming ondersteunen. Bij een afbeelding van een document kun je informatie uit een benoemd veld of een specifieke passage opvragen. Voeg schriftelijke context toe als die uitlegt waarom het detail van belang is.\n\nBenoem bij meerdere afbeeldingen welke kenmerken moeten worden vergeleken en vraag om een afzonderlijke waarneming voor elke bron met een label. Houd het antwoord gekoppeld aan het aangeleverde materiaal en bewaar afbeeldings- of paginalabels bij de geëxtraheerde informatie. Controleer die details aan de hand van het origineel voordat je ze in een volgende bewerking gebruikt.\n\n### Combineer tekst en afbeeldingen in één taak\n\nSelecteer de passages en afbeeldingen die relevant zijn voor de huidige vraag. Voor een briefing kun je vragen om uit te leggen hoe een figuur samenhangt met de bijbehorende tekst. Bij een vergelijking kun je aangeven welke aspecten in verschillende bronnen moeten worden onderzocht en vragen om de ondersteunende labels naast de bevindingen te vermelden.\n\nBepaal het gewenste eindresultaat en de lengte voordat je het materiaal verstuurt. Een beknopte beschrijving, een verzameling geëxtraheerde velden of een vergelijkingstabel geeft de beoordeling een concreet doel. Behoud namen, hoeveelheden en bronidentificaties die het resultaat beïnvloeden.\n\n### Benoem het doel en plan de context\n\nDe maker raadt aan een systeemprompt op te nemen die het doel van de assistent duidelijk benoemt. Geef de taakvoorwaarden en de gewenste antwoordstijl expliciet aan, ook wanneer de rolbeschrijving kort is. Het gedocumenteerde instructieformaat van het model heeft een eigen verwerking van systeemprompts voor directe modelimplementaties.\n\nDe genoemde gehoste modelvariant vermeldt een context van 128.000 tokens. Stem de relevante tekst, afbeeldingen en conversatie af op de beschikbare ruimte van die variant en laat ruimte over voor het antwoord. De voorbereiding van afbeeldingen en de limieten per verzoek horen bij de configuratie van de modeldienst; de aantallen afbeeldingen in voorbeelden van de producent zijn voorbeelden en geen universele limieten voor elk endpoint.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisch voorbeeld in het Engels
Reconcile a chart caption with values\n\nCompare this transcribed figure with its accompanying prose. [FIGURE] January 100 cases; February 130; March 110. [CAPTION] Cases increased every month during the quarter. State whether the caption follows from the values, provide a more accurate one-sentence caption and list the values supporting it. Use the transcribed text only.A source-labeled consistency assessment, a corrected caption and the supporting values.Check the revised caption accounts for the February-to-March decrease.pixtral-large-2411Pixtral Large 2411 is het multimodale model van Mistral AI voor het begrijpen van tekst en afbeeldingen, waaronder documenten, grafieken en natuurlijke beelden. De maker vermeldt een decoder van 123 miljard parameters, een vision-encoder van 1 miljard parameters en een context van 128K; stel een gerichte vraag over het beeldmateriaal en voorzie het bewijsmateriaal van labels.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Pixtral Large 2411 is een multimodaal model van Mistral AI met 124 miljard parameters. Het combineert een decoder van 123 miljard parameters met een vision-encoder van 1 miljard parameters en is gebaseerd op Mistral Large 2. De fabrikant beschrijft het begrijpen van documenten, grafieken en natuurlijke beelden naast teksttaken, met een contextvenster van 128K.
Geef elke afbeelding een label en benoem het detail dat het antwoord moet onderzoeken. Bij een grafiek kun je vragen naar de zichtbare trend, de relevante labels en de waarden die een waarneming ondersteunen. Bij een afbeelding van een document kun je informatie uit een benoemd veld of een specifieke passage opvragen. Voeg schriftelijke context toe als die uitlegt waarom het detail van belang is.
Benoem bij meerdere afbeeldingen welke kenmerken moeten worden vergeleken en vraag om een afzonderlijke waarneming voor elke bron met een label. Houd het antwoord gekoppeld aan het aangeleverde materiaal en bewaar afbeeldings- of paginalabels bij de geëxtraheerde informatie. Controleer die details aan de hand van het origineel voordat je ze in een volgende bewerking gebruikt.
Selecteer de passages en afbeeldingen die relevant zijn voor de huidige vraag. Voor een briefing kun je vragen om uit te leggen hoe een figuur samenhangt met de bijbehorende tekst. Bij een vergelijking kun je aangeven welke aspecten in verschillende bronnen moeten worden onderzocht en vragen om de ondersteunende labels naast de bevindingen te vermelden.
Bepaal het gewenste eindresultaat en de lengte voordat je het materiaal verstuurt. Een beknopte beschrijving, een verzameling geëxtraheerde velden of een vergelijkingstabel geeft de beoordeling een concreet doel. Behoud namen, hoeveelheden en bronidentificaties die het resultaat beïnvloeden.
De maker raadt aan een systeemprompt op te nemen die het doel van de assistent duidelijk benoemt. Geef de taakvoorwaarden en de gewenste antwoordstijl expliciet aan, ook wanneer de rolbeschrijving kort is. Het gedocumenteerde instructieformaat van het model heeft een eigen verwerking van systeemprompts voor directe modelimplementaties.
De genoemde gehoste modelvariant vermeldt een context van 128.000 tokens. Stem de relevante tekst, afbeeldingen en conversatie af op de beschikbare ruimte van die variant en laat ruimte over voor het antwoord. De voorbereiding van afbeeldingen en de limieten per verzoek horen bij de configuratie van de modeldienst; de aantallen afbeeldingen in voorbeelden van de producent zijn voorbeelden en geen universele limieten voor elk endpoint.
POST /v1/chat/completionstexttext| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten pixtral-large-2411 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten Voorbeelden: system, user, assistant, tool, function Voorwaarden: Deze rollen worden expliciet weergegeven door compatibiliteitstypen in de broncode; de exacte rollenverzameling van het model blijft modelspecifiek. Afhankelijk van het model | Standaard— |
Veldmessages[].content | Typestring|content_part[]|null | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_calls | Typetool_call[] | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].tool_call_id | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: role=tool; gebruik het werkelijk teruggegeven ID | Standaard— |
Veldmessages[].name | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldmessages[].reasoning_content | Typestring | VereisteOptioneel | Waarden en limieten Geldt wanneer: Stuur de werkelijk teruggegeven redeneringen terug wanneer dit model ze gebruikt | Standaard— |
Veldmessages[].reasoning_details | Typeobject|array | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmax_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldmax_completion_tokens | Typeinteger | VereisteOptioneel | Waarden en limieten Minimum: 1 Afhankelijk van het model | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Veldstream_options.include_usage | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtemperature | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtop_p | Typenumber | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldstop | Typestring|string[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools | Typefunction_tool[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldtools[].type | Typestring | VereisteOptioneel | Waarden en limieten function Afhankelijk van het model | Standaard— |
Veldtools[].function.name | Typestring | VereisteVereist | Waarden en limieten Geldt wanneer: functietool opgegeven | Standaard— |
Veldtools[].function.description | Typestring | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtools[].function.parameters | TypeJSON_schema | VereisteOptioneel | Waarden en limieten | Standaard— |
Veldtool_choice | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldparallel_tool_calls | Typeboolean | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldresponse_format | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning_effort | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldreasoning | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldservice_tier | Typestring | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldinstructions | Typestring | VereisteOptioneel | Waarden en limieten Compatibiliteitsveld | Standaard— |
Veldfunctions | Typefunction[] | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldfunction_call | Typestring|object | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldprompt_cache_options | Typeobject | VereisteOptioneel | Waarden en limieten Afhankelijk van het model | Standaard— |
Veldmodalities | Typestring[] | VereisteOptioneel | Waarden en limieten text | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options wordt op deze Ultra-tekstroute geweigerd | Standaard— |
Veldcache_control.ttl | Typestring | VereisteOptioneel | Waarden en limieten Voorwaarden: 1h wordt op de daadwerkelijke locaties voor promptcaching geweigerd | Standaard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages |
Parametermaterial_types | Contracttext |
Parametermessages | Contractberichtenarray met de structuur role/content |
Parameterfile_material | Contractwerkelijk UTF-8-document ingevoegd als letterlijke tekst; er wordt geen bestands-ID afgeleid |
Parameteroptional_controls | Contractstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Contractmodelspecifiek; functietools van de gebruiker verschillen van gehoste tools |
Parameteroutput_modalities | Contracttext |
Parameterhosted_operations | Contractfalse |
Parametermultimodal_input_binding | Contractnull |
Levenscyclus: synchronous_or_streamed
Stuur het exacte model-ID mee met messages.
Contextlengte is geen uitvoerlimiet.
Een tekstbestand kan letterlijke tekst aanleveren; beeld-, audio- en bestandsobjectinvoer vereisen een exacte koppeling.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0044 / 1K tokens Uitvoer · Uitvoertokens $0.0132 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "pixtral-large-2411", "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='pixtral-large-2411',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='pixtral-large-2411',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 pixtral-large-2411
Gebruik de hierboven getoonde methodepaden.
pixtral-large-2411Pixtral Large 2411 is het multimodale model van Mistral AI voor het begrijpen van tekst en afbeeldingen, waaronder documenten, grafieken en natuurlijke beelden. De maker vermeldt een decoder van 123 miljard parameters, een vision-encoder van 1 miljard parameters en een context van 128K; stel een gerichte vraag over het beeldmateriaal en voorzie het bewijsmateriaal van labels.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Pixtral Large 2411 is een multimodaal model van Mistral AI met 124 miljard parameters. Het combineert een decoder van 123 miljard parameters met een vision-encoder van 1 miljard parameters en is gebaseerd op Mistral Large 2. De fabrikant beschrijft het begrijpen van documenten, grafieken en natuurlijke beelden naast teksttaken, met een contextvenster van 128K.
Geef elke afbeelding een label en benoem het detail dat het antwoord moet onderzoeken. Bij een grafiek kun je vragen naar de zichtbare trend, de relevante labels en de waarden die een waarneming ondersteunen. Bij een afbeelding van een document kun je informatie uit een benoemd veld of een specifieke passage opvragen. Voeg schriftelijke context toe als die uitlegt waarom het detail van belang is.
Benoem bij meerdere afbeeldingen welke kenmerken moeten worden vergeleken en vraag om een afzonderlijke waarneming voor elke bron met een label. Houd het antwoord gekoppeld aan het aangeleverde materiaal en bewaar afbeeldings- of paginalabels bij de geëxtraheerde informatie. Controleer die details aan de hand van het origineel voordat je ze in een volgende bewerking gebruikt.
Selecteer de passages en afbeeldingen die relevant zijn voor de huidige vraag. Voor een briefing kun je vragen om uit te leggen hoe een figuur samenhangt met de bijbehorende tekst. Bij een vergelijking kun je aangeven welke aspecten in verschillende bronnen moeten worden onderzocht en vragen om de ondersteunende labels naast de bevindingen te vermelden.
Bepaal het gewenste eindresultaat en de lengte voordat je het materiaal verstuurt. Een beknopte beschrijving, een verzameling geëxtraheerde velden of een vergelijkingstabel geeft de beoordeling een concreet doel. Behoud namen, hoeveelheden en bronidentificaties die het resultaat beïnvloeden.
De maker raadt aan een systeemprompt op te nemen die het doel van de assistent duidelijk benoemt. Geef de taakvoorwaarden en de gewenste antwoordstijl expliciet aan, ook wanneer de rolbeschrijving kort is. Het gedocumenteerde instructieformaat van het model heeft een eigen verwerking van systeemprompts voor directe modelimplementaties.
De genoemde gehoste modelvariant vermeldt een context van 128.000 tokens. Stem de relevante tekst, afbeeldingen en conversatie af op de beschikbare ruimte van die variant en laat ruimte over voor het antwoord. De voorbereiding van afbeeldingen en de limieten per verzoek horen bij de configuratie van de modeldienst; de aantallen afbeeldingen in voorbeelden van de producent zijn voorbeelden en geen universele limieten voor elk endpoint.
POST /v1/messagestextjson, sse| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten pixtral-large-2411 | Standaard— |
Veldmessages | Typemessage[] | VereisteVereist | Waarden en limieten | Standaard— |
Veldmessages[].role | Typestring | VereisteVereist | Waarden en limieten user, assistant | Standaard— |
Veldmessages[].content | Typestring | VereisteVereist | Waarden en limieten | Standaard— |
Veldmax_tokens | Typeinteger | VereisteVereist | Waarden en limieten | Standaard— |
Veldstream | Typeboolean | VereisteOptioneel | Waarden en limieten | Standaardfalse |
Tekst · UTF-8-tekst
messages[].content als tekenreeks
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, messages, max_tokens |
Parameteroptional_controls | Contractstream |
Parametermaterial_types | Contracttext |
Parametertext_file_material | ContractLees het werkelijke UTF-8-document en plaats de tekst ervan in de aangegeven invoer of in de inhoudstekenreeks van een bericht. |
Levenscyclus: synchronous_or_streamed
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.0044 / 1K tokens Uitvoer · Uitvoertokens $0.0132 / 1K tokens Invoer · Cache lezen $0 / 1K tokens Invoer · Cache schrijven $0 / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
{\n "model": "pixtral-large-2411",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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': 'pixtral-large-2411', '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': 'pixtral-large-2411', '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 pixtral-large-2411
Gebruik de hierboven getoonde methodepaden.
Technisch voorbeeld in het Engels
Reconcile a chart caption with values\n\nCompare this transcribed figure with its accompanying prose. [FIGURE] January 100 cases; February 130; March 110. [CAPTION] Cases increased every month during the quarter. State whether the caption follows from the values, provide a more accurate one-sentence caption and list the values supporting it. Use the transcribed text only.A source-labeled consistency assessment, a corrected caption and the supporting values.Check the revised caption accounts for the February-to-March decrease.