Mistral Large 2407 to edycja 24.07 modelu Mistral Large 2 firmy Mistral AI. Jest gęstym modelem językowym o 123 mld parametrów i oknie kontekstowym o wielkości 128 tys. tokenów. Model przetwarza pisemne instrukcje i rozmowę, aby generować tekst, kod lub JSON. Ta stała edycja pozostaje odrębna od późniejszych multimodalnych generacji Large i od zmiennego wyboru rodziny Large.
Praca wielojęzyczna jest centralnym elementem wydania. Producent opisuje obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, niemieckiego, hiszpańskiego, włoskiego, portugalskiego, niderlandzkiego, rosyjskiego, chińskiego, japońskiego, koreańskiego, arabskiego i hindi. Dla zadania dokumentowego określ język źródła, język odpowiedzi i terminologię, która powinna pozostać niezmieniona. Przydatny wynik może porównywać dwa fragmenty, podsumowywać długi zapis lub wyodrębniać informacje potrzebne do decyzji biznesowej.
Programowanie to kolejny główny obszar: trening obejmuje ponad 80 języków programowania, w tym Python, Java, C, C++, JavaScript, Bash, Swift i Fortran. Przygotuj zadanie programistyczne z istotnym kodem, oczekiwanym zachowaniem i ograniczeniem do zachowania. Poproś o proponowaną zmianę i jej uzasadnienie, a następnie kontrole dotyczące zaobserwowanego błędu. Wiąże to wygenerowany kod ze zdefiniowanym wynikiem, zamiast kończyć zadanie na wiarygodnie wyglądającym fragmencie.
Wydanie podkreśla rozumowanie matematyczne, precyzyjne wykonywanie instrukcji i długie rozmowy wieloturowe. Trening zachęca do zwięzłych odpowiedzi i przyznawania, że brakuje informacji, gdy nie ma podstaw do pewnego rozwiązania. Prompt rozwiązywania problemu może dostarczać przesłanki i żądać wniosku, istotnych kroków pośrednich i brakujących danych wejściowych. Kolejne tury mogą doprecyzowywać ograniczenie, zachowując dostępność ustalonej rozmowy.
Natywne wywoływanie funkcji obsługuje zarówno wywołania równoległe, jak i następujące po sobie, a wynik JSON może przekazywać informacje do aplikacji. Opisz dostępne funkcje i ich pola wejściowe, a następnie podaj cel użytkownika. Model proponuje wywołania funkcji; aplikacja je wykonuje i zwraca ich wyniki, zanim model przejdzie dalej. Zachowuj powiązanie wywołania z wynikiem przez całą tę wymianę. Opublikowane przykłady konkretnej edycji wykorzystują w protokole producenta identyfikatory wywołań narzędzi składające się z dziewięciu znaków alfanumerycznych.
Dla pracy opartej na wyszukiwaniu dostarcz istotny materiał lub pozwól otaczającej aplikacji go pobrać. Poproś, aby odpowiedź wskazywała fragment potwierdzający każdy wniosek. Na przykład asystent polityk może porównać sytuację użytkownika z dostarczoną polityką i zwrócić właściwą regułę, dowody oraz następne pytanie do rozstrzygnięcia. Zadanie ekstrakcji JSON powinno definiować wymagane pola i sposób traktowania informacji nieobecnych w źródle. Generowanie JSON jest możliwością modelu; aplikacja nadal sprawdza, czy wynik odpowiada wymaganej strukturze.
Opublikowany checkpoint instruct nie ma wbudowanych mechanizmów moderacji, co jego karta wyraźnie zaznacza. Aplikacja wymagająca moderowanych wyników potrzebuje własnych mechanizmów kontroli. Długi kontekst modelu również pozostaje zasobem skończonym: przygotuj istotne sekcje dokumentów i rozmowę tak, aby żądana odpowiedź miała miejsce obok danych wejściowych.
", "aboutText": "Mistral Large 2407 to edycja 24.07 modelu Mistral Large 2 firmy Mistral AI. Jest gęstym modelem językowym o 123 mld parametrów i oknie kontekstowym o wielkości 128 tys. tokenów. Model przetwarza pisemne instrukcje i rozmowę, aby generować tekst, kod lub JSON. Ta stała edycja pozostaje odrębna od późniejszych multimodalnych generacji Large i od zmiennego wyboru rodziny Large.\n\nPraca wielojęzyczna jest centralnym elementem wydania. Producent opisuje obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, niemieckiego, hiszpańskiego, włoskiego, portugalskiego, niderlandzkiego, rosyjskiego, chińskiego, japońskiego, koreańskiego, arabskiego i hindi. Dla zadania dokumentowego określ język źródła, język odpowiedzi i terminologię, która powinna pozostać niezmieniona. Przydatny wynik może porównywać dwa fragmenty, podsumowywać długi zapis lub wyodrębniać informacje potrzebne do decyzji biznesowej.\n\nProgramowanie to kolejny główny obszar: trening obejmuje ponad 80 języków programowania, w tym Python, Java, C, C++, JavaScript, Bash, Swift i Fortran. Przygotuj zadanie programistyczne z istotnym kodem, oczekiwanym zachowaniem i ograniczeniem do zachowania. Poproś o proponowaną zmianę i jej uzasadnienie, a następnie kontrole dotyczące zaobserwowanego błędu. Wiąże to wygenerowany kod ze zdefiniowanym wynikiem, zamiast kończyć zadanie na wiarygodnie wyglądającym fragmencie.\n\nWydanie podkreśla rozumowanie matematyczne, precyzyjne wykonywanie instrukcji i długie rozmowy wieloturowe. Trening zachęca do zwięzłych odpowiedzi i przyznawania, że brakuje informacji, gdy nie ma podstaw do pewnego rozwiązania. Prompt rozwiązywania problemu może dostarczać przesłanki i żądać wniosku, istotnych kroków pośrednich i brakujących danych wejściowych. Kolejne tury mogą doprecyzowywać ograniczenie, zachowując dostępność ustalonej rozmowy.\n\nNatywne wywoływanie funkcji obsługuje zarówno wywołania równoległe, jak i następujące po sobie, a wynik JSON może przekazywać informacje do aplikacji. Opisz dostępne funkcje i ich pola wejściowe, a następnie podaj cel użytkownika. Model proponuje wywołania funkcji; aplikacja je wykonuje i zwraca ich wyniki, zanim model przejdzie dalej. Zachowuj powiązanie wywołania z wynikiem przez całą tę wymianę. Opublikowane przykłady konkretnej edycji wykorzystują w protokole producenta identyfikatory wywołań narzędzi składające się z dziewięciu znaków alfanumerycznych.\n\nDla pracy opartej na wyszukiwaniu dostarcz istotny materiał lub pozwól otaczającej aplikacji go pobrać. Poproś, aby odpowiedź wskazywała fragment potwierdzający każdy wniosek. Na przykład asystent polityk może porównać sytuację użytkownika z dostarczoną polityką i zwrócić właściwą regułę, dowody oraz następne pytanie do rozstrzygnięcia. Zadanie ekstrakcji JSON powinno definiować wymagane pola i sposób traktowania informacji nieobecnych w źródle. Generowanie JSON jest możliwością modelu; aplikacja nadal sprawdza, czy wynik odpowiada wymaganej strukturze.\n\nOpublikowany checkpoint instruct nie ma wbudowanych mechanizmów moderacji, co jego karta wyraźnie zaznacza. Aplikacja wymagająca moderowanych wyników potrzebuje własnych mechanizmów kontroli. Długi kontekst modelu również pozostaje zasobem skończonym: przygotuj istotne sekcje dokumentów i rozmowę tak, aby żądana odpowiedź miała miejsce obok danych wejściowych.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.mistralai/mistral-large-2407Mistral Large 2407 to gęsta edycja Mistral Large 2 o 123 mld parametrów, do tekstu wielojęzycznego, programowania i rozumowania w kontekście o wielkości 128 tys. tokenów. Natywne wywoływanie funkcji, wynik JSON i wykonywanie instrukcji w wielu turach wspierają pracę z dokumentami i przepływy biznesowe.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Large 2407 to edycja 24.07 modelu Mistral Large 2 firmy Mistral AI. Jest gęstym modelem językowym o 123 mld parametrów i oknie kontekstowym o wielkości 128 tys. tokenów. Model przetwarza pisemne instrukcje i rozmowę, aby generować tekst, kod lub JSON. Ta stała edycja pozostaje odrębna od późniejszych multimodalnych generacji Large i od zmiennego wyboru rodziny Large.
Praca wielojęzyczna jest centralnym elementem wydania. Producent opisuje obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, niemieckiego, hiszpańskiego, włoskiego, portugalskiego, niderlandzkiego, rosyjskiego, chińskiego, japońskiego, koreańskiego, arabskiego i hindi. Dla zadania dokumentowego określ język źródła, język odpowiedzi i terminologię, która powinna pozostać niezmieniona. Przydatny wynik może porównywać dwa fragmenty, podsumowywać długi zapis lub wyodrębniać informacje potrzebne do decyzji biznesowej.
Programowanie to kolejny główny obszar: trening obejmuje ponad 80 języków programowania, w tym Python, Java, C, C++, JavaScript, Bash, Swift i Fortran. Przygotuj zadanie programistyczne z istotnym kodem, oczekiwanym zachowaniem i ograniczeniem do zachowania. Poproś o proponowaną zmianę i jej uzasadnienie, a następnie kontrole dotyczące zaobserwowanego błędu. Wiąże to wygenerowany kod ze zdefiniowanym wynikiem, zamiast kończyć zadanie na wiarygodnie wyglądającym fragmencie.
Wydanie podkreśla rozumowanie matematyczne, precyzyjne wykonywanie instrukcji i długie rozmowy wieloturowe. Trening zachęca do zwięzłych odpowiedzi i przyznawania, że brakuje informacji, gdy nie ma podstaw do pewnego rozwiązania. Prompt rozwiązywania problemu może dostarczać przesłanki i żądać wniosku, istotnych kroków pośrednich i brakujących danych wejściowych. Kolejne tury mogą doprecyzowywać ograniczenie, zachowując dostępność ustalonej rozmowy.
Natywne wywoływanie funkcji obsługuje zarówno wywołania równoległe, jak i następujące po sobie, a wynik JSON może przekazywać informacje do aplikacji. Opisz dostępne funkcje i ich pola wejściowe, a następnie podaj cel użytkownika. Model proponuje wywołania funkcji; aplikacja je wykonuje i zwraca ich wyniki, zanim model przejdzie dalej. Zachowuj powiązanie wywołania z wynikiem przez całą tę wymianę. Opublikowane przykłady konkretnej edycji wykorzystują w protokole producenta identyfikatory wywołań narzędzi składające się z dziewięciu znaków alfanumerycznych.
Dla pracy opartej na wyszukiwaniu dostarcz istotny materiał lub pozwól otaczającej aplikacji go pobrać. Poproś, aby odpowiedź wskazywała fragment potwierdzający każdy wniosek. Na przykład asystent polityk może porównać sytuację użytkownika z dostarczoną polityką i zwrócić właściwą regułę, dowody oraz następne pytanie do rozstrzygnięcia. Zadanie ekstrakcji JSON powinno definiować wymagane pola i sposób traktowania informacji nieobecnych w źródle. Generowanie JSON jest możliwością modelu; aplikacja nadal sprawdza, czy wynik odpowiada wymaganej strukturze.
Opublikowany checkpoint instruct nie ma wbudowanych mechanizmów moderacji, co jego karta wyraźnie zaznacza. Aplikacja wymagająca moderowanych wyników potrzebuje własnych mechanizmów kontroli. Długi kontekst modelu również pozostaje zasobem skończonym: przygotuj istotne sekcje dokumentów i rozmowę tak, aby żądana odpowiedź miała miejsce obok danych wejściowych.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-large-2407 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity Minimalna liczba elementów: 1 | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity Przykłady: system, user, assistant, tool, function Warunki: Te role są jawnie reprezentowane przez typy zgodności w kodzie źródłowym; dokładny zestaw ról pozostaje właściwy dla danego modelu. Zależy od modelu | Domyślnie— |
Polemessages[].content | Typstring|content_part[]|null | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_calls | Typtool_call[] | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].tool_call_id | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: role=tool; użyj rzeczywiście zwróconego ID | Domyślnie— |
Polemessages[].name | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polemessages[].reasoning_content | Typstring | WymaganieOpcjonalne | Wartości i limity Obowiązuje, gdy: Przekazuj z powrotem rzeczywiście zwróconą treść rozumowania, gdy ten model jej używa | Domyślnie— |
Polemessages[].reasoning_details | Typobject|array | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polemax_completion_tokens | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: 1 Zależy od modelu | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polestream_options.include_usage | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletop_p | Typnumber | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polestop | Typstring|string[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools | Typfunction_tool[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poletools[].type | Typstring | WymaganieOpcjonalne | Wartości i limity function Zależy od modelu | Domyślnie— |
Poletools[].function.name | Typstring | WymaganieWymagane | Wartości i limity Obowiązuje, gdy: udostępnione narzędzie funkcji | Domyślnie— |
Poletools[].function.description | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletools[].function.parameters | TypJSON_schema | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletool_choice | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleparallel_tool_calls | Typboolean | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleresponse_format | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning_effort | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polereasoning | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleservice_tier | Typstring | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleinstructions | Typstring | WymaganieOpcjonalne | Wartości i limity Pole zgodności | Domyślnie— |
Polefunctions | Typfunction[] | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polefunction_call | Typstring|object | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Poleprompt_cache_options | Typobject | WymaganieOpcjonalne | Wartości i limity Zależy od modelu | Domyślnie— |
Polemodalities | Typstring[] | WymaganieOpcjonalne | Wartości i limity text | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity Warunki: provider.options jest odrzucane na tej tekstowej trasie Ultra | Domyślnie— |
Polecache_control.ttl | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: 1h jest odrzucane w rzeczywistych miejscach pamięci podręcznej promptów | Domyślnie— |
Tekst · tekst UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontrakttablica wiadomości o strukturze role/content |
Parametrfile_material | Kontraktrzeczywisty dokument UTF-8 wstawiony jako dosłowny tekst; bez wywnioskowanego ID pliku |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktwłaściwe dla modelu; narzędzia funkcji użytkownika różnią się od narzędzi hostowanych |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Cykl życia: synchronous_or_streamed
Wyślij dokładne ID modelu wraz z messages.
Długość kontekstu nie jest limitem wyjścia.
Plik tekstowy może dostarczyć dosłowny tekst; wejścia obrazowe/dźwiękowe/obiekty plików wymagają dokładnego powiązania.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.01 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.0004 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.01 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.0004 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-2407", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-2407',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-2407',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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj każdy wariant i jego treść/wywołania narzędzi/rozumowanie. W SSE składaj przyrosty według indeksu wariantu/narzędzia, zachowując końcowy powód zakończenia i dane użycia.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra mistralai/mistral-large-2407
Użyj ścieżek metod podanych powyżej.
mistralai/mistral-large-2407Mistral Large 2407 to gęsta edycja Mistral Large 2 o 123 mld parametrów, do tekstu wielojęzycznego, programowania i rozumowania w kontekście o wielkości 128 tys. tokenów. Natywne wywoływanie funkcji, wynik JSON i wykonywanie instrukcji w wielu turach wspierają pracę z dokumentami i przepływy biznesowe.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Large 2407 to edycja 24.07 modelu Mistral Large 2 firmy Mistral AI. Jest gęstym modelem językowym o 123 mld parametrów i oknie kontekstowym o wielkości 128 tys. tokenów. Model przetwarza pisemne instrukcje i rozmowę, aby generować tekst, kod lub JSON. Ta stała edycja pozostaje odrębna od późniejszych multimodalnych generacji Large i od zmiennego wyboru rodziny Large.
Praca wielojęzyczna jest centralnym elementem wydania. Producent opisuje obsługę kilkudziesięciu języków, w tym angielskiego, francuskiego, niemieckiego, hiszpańskiego, włoskiego, portugalskiego, niderlandzkiego, rosyjskiego, chińskiego, japońskiego, koreańskiego, arabskiego i hindi. Dla zadania dokumentowego określ język źródła, język odpowiedzi i terminologię, która powinna pozostać niezmieniona. Przydatny wynik może porównywać dwa fragmenty, podsumowywać długi zapis lub wyodrębniać informacje potrzebne do decyzji biznesowej.
Programowanie to kolejny główny obszar: trening obejmuje ponad 80 języków programowania, w tym Python, Java, C, C++, JavaScript, Bash, Swift i Fortran. Przygotuj zadanie programistyczne z istotnym kodem, oczekiwanym zachowaniem i ograniczeniem do zachowania. Poproś o proponowaną zmianę i jej uzasadnienie, a następnie kontrole dotyczące zaobserwowanego błędu. Wiąże to wygenerowany kod ze zdefiniowanym wynikiem, zamiast kończyć zadanie na wiarygodnie wyglądającym fragmencie.
Wydanie podkreśla rozumowanie matematyczne, precyzyjne wykonywanie instrukcji i długie rozmowy wieloturowe. Trening zachęca do zwięzłych odpowiedzi i przyznawania, że brakuje informacji, gdy nie ma podstaw do pewnego rozwiązania. Prompt rozwiązywania problemu może dostarczać przesłanki i żądać wniosku, istotnych kroków pośrednich i brakujących danych wejściowych. Kolejne tury mogą doprecyzowywać ograniczenie, zachowując dostępność ustalonej rozmowy.
Natywne wywoływanie funkcji obsługuje zarówno wywołania równoległe, jak i następujące po sobie, a wynik JSON może przekazywać informacje do aplikacji. Opisz dostępne funkcje i ich pola wejściowe, a następnie podaj cel użytkownika. Model proponuje wywołania funkcji; aplikacja je wykonuje i zwraca ich wyniki, zanim model przejdzie dalej. Zachowuj powiązanie wywołania z wynikiem przez całą tę wymianę. Opublikowane przykłady konkretnej edycji wykorzystują w protokole producenta identyfikatory wywołań narzędzi składające się z dziewięciu znaków alfanumerycznych.
Dla pracy opartej na wyszukiwaniu dostarcz istotny materiał lub pozwól otaczającej aplikacji go pobrać. Poproś, aby odpowiedź wskazywała fragment potwierdzający każdy wniosek. Na przykład asystent polityk może porównać sytuację użytkownika z dostarczoną polityką i zwrócić właściwą regułę, dowody oraz następne pytanie do rozstrzygnięcia. Zadanie ekstrakcji JSON powinno definiować wymagane pola i sposób traktowania informacji nieobecnych w źródle. Generowanie JSON jest możliwością modelu; aplikacja nadal sprawdza, czy wynik odpowiada wymaganej strukturze.
Opublikowany checkpoint instruct nie ma wbudowanych mechanizmów moderacji, co jego karta wyraźnie zaznacza. Aplikacja wymagająca moderowanych wyników potrzebuje własnych mechanizmów kontroli. Długi kontekst modelu również pozostaje zasobem skończonym: przygotuj istotne sekcje dokumentów i rozmowę tak, aby żądana odpowiedź miała miejsce obok danych wejściowych.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-large-2407 | Domyślnie— |
Polemessages | Typmessage[] | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemessages[].role | Typstring | WymaganieWymagane | Wartości i limity user, assistant | Domyślnie— |
Polemessages[].content | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polemax_tokens | Typinteger | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Tekst · tekst UTF-8
ciąg messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktOdczytaj rzeczywisty dokument UTF-8 i umieść jego tekst we wskazanym polu input lub w ciągu treści wiadomości. |
Cykl życia: synchronous_or_streamed
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Tokeny kontekstu, więcej niż | Tokeny kontekstu, do podanej wartości włącznie | Opłata |
|---|---|---|---|---|
| KonfiguracjaPodstawowe stawki za tokeny | Tabela stawekStawka podstawowa | Tokeny kontekstu, więcej niż— | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.01 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.0004 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaPrzedział długości żądania 1 | Tabela stawek— | Tokeny kontekstu, więcej niż0 | Tokeny kontekstu, do podanej wartości włącznieBez górnej granicy | Opłata Wejście · Tokeny wejściowe $0.01 / 1K tokenów Wyjście · Tokeny wyjściowe $0.02 / 1K tokenów Wejście · Odczyt cache $0.0004 / 1K tokenów Wejście · Zapis do cache $0 / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "mistralai/mistral-large-2407",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2407', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2407', '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 lub SSE
Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj wszystkie bloki treści, sygnatury myślenia i rzeczywiste ID użycia narzędzi. Złóż wszystkie przyrosty bloków SSE; pierwszy blok tekstowy nie jest pełnym wyjściem.
Zachowaj ID i nagłówki żądań/odpowiedzi. Nie udostępniono ogólnego URL pobierania zadania tekstowego.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Ailoot Ultra mistralai/mistral-large-2407
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.