Mistral Large 4 to multimodalny model ogólnego przeznaczenia firmy Mistral AI, łączący wykonywanie instrukcji, rozumowanie, programowanie i pracę agentową. Przyjmuje tekst i obrazy oraz generuje tekst, w tym wyjaśnienia, kod i uporządkowane pola. Jego drobnoziarnista architektura mixture-of-experts używa wybranych komponentów dla każdego tokenu, zamiast aktywować cały zestaw parametrów jednocześnie.
Architektura i kontekst
Bieżąca strona modelu podaje 1,05 bln parametrów łącznie, 52 mld aktywnych parametrów i enkoder wizyjny o 1,6 mld parametrów. Strona wydania producenta wyjaśnia konwencję liczenia: 49 mld aktywnych parametrów na token albo 52 mld z uwzględnieniem embeddingów i warstw wyjściowych. Te liczby opisują strukturę modelu, a nie długość odpowiedzi.
Producent dokumentuje okno kontekstowe o wielkości 1 mln tokenów. Wykorzystaj je, aby połączyć obszerne materiały źródłowe, rozmowę i instrukcje, określając jednocześnie cel końcowego artefaktu. Przy pytaniu obejmującym wiele dokumentów wskaż każdy dokument i jego rolę oraz poproś o lokalizację źródłową obok każdego ustalenia. Duży kontekst jest przydatny, gdy wymagania, diagramy i powiązane wyjaśnienia trzeba rozpatrzyć razem.
Uporządkowane odpowiedzi i pytania o dokumenty
Karta modelu wymienia uporządkowane wyniki, wywoływanie funkcji, odpowiadanie na pytania o dokumenty, prefiksy odpowiedzi, przesyłanie wsadowe i rozmowy agentowe. Dokumentacja Mistral dotycząca uporządkowanych wyników rozróżnia tryb JSON i schemat niestandardowy. Określ wymagany format JSON w prompcie; użyj zdefiniowanego schematu, gdy połączony interfejs potrzebuje konkretnej struktury pól. Rekord może rozdzielać fakty źródłowe, interpretacje i otwarte pytania, zamiast łączyć je w jednym akapicie.
Odpowiadanie na pytania o dokumenty to przepływ łączący przetwarzanie dokumentów z rozumieniem modelu językowego. OCR przygotowuje tekst, strukturę i formatowanie, po czym model odpowiada na pytanie dotyczące tego materiału. Żądanie może lokalizować wymaganie, porównywać stwierdzenia w różnych dokumentach lub podsumowywać dowody istotne dla decyzji. Bezpośrednie rozumienie obrazów i przepływ dokumentowy wspomagany OCR to powiązane sposoby przygotowania dowodów; etap przetwarzania dokumentu pozostaje odrębny od wejścia obrazowego.
Na przykład dostarcz specyfikację techniczną i rysunki, wskaż rozpatrywaną rewizję i poproś o macierz wymagań. Każdy wiersz może zawierać wymaganie, potwierdzający je dokument lub rysunek, zaobserwowaną różnicę i wyjaśnienie nadal potrzebne. Zachowaj etykiety, jednostki i obszary obrazu określające porównanie, aby wynik pozostał powiązany z materiałem źródłowym.
Programowanie, agenci i rozumowanie wizualne
Opis wydania przedstawia analizę cyberbezpieczeństwa, inżynierię oprogramowania, rozumienie repozytorium i przepływy oparte na terminalu. Dla przeglądu kodu w celach obronnych podaj istotną ścieżkę kodu, oczekiwane zachowanie i dowody błędu. Poproś o przyczynę, proponowaną poprawkę i przykłady rozróżniające stare zachowanie od zamierzonego. Dla pytania o repozytorium uwzględnij moduły i relacje wywołań potrzebne do wyjaśnienia wybranego zachowania.
Wywoływanie funkcji łączy rozumowanie z narzędziami dostarczonymi przez aplikację. Sekwencja producenta definiuje funkcje, dostarcza pytanie użytkownika, pozwala modelowi przygotować argumenty, wykonuje wybraną funkcję w aplikacji i zwraca jej wynik na potrzeby kolejnej odpowiedzi. Proponowane wywołanie jest odrębne od wykonania. Karta wymienia też wbudowane narzędzia w interfejsie agenta/rozmowy producenta; należą do tego połączonego przepływu, zamiast dodawać modelowi nową modalność wejścia lub wyjścia.
Rozumienie wizualne obejmuje dokumenty, wykresy, sceny naturalne i rysunki techniczne. Zadanie dotyczące rysunku może pytać, który oznaczony komponent spełnia dostarczone wymaganie, który wymiar lub adnotacja potwierdza ustalenie i który obszar wymaga dokładniejszego zbadania. Przykłady agentów wizualnych w opisie wydania łączą interpretację z krokami inspekcji; powiększanie, wyszukiwanie i inne działania wymagają otaczającego środowiska narzędziowego.
Nauka, matematyka i profesjonalne rezultaty
Producent wymienia programowanie naukowe, analizę danych, modelowanie i rozumowanie matematyczne wśród zamierzonych zastosowań. Dostarcz równania, założenia, jednostki i wymaganą postać wyniku. Żądanie programowania naukowego może dotyczyć implementacji, znaczenia każdej zmiennej i planu porównania jej wyników z warunkami referencyjnymi. Przygotowanie tej implementacji jest wynikiem tekstowym; uruchomienie symulacji lub utworzenie pliku wymaga środowiska aplikacji.
Dla profesjonalnej pracy dokumentowej dostarcz raporty źródłowe i zdefiniuj artefakt: tabelę porównawczą, wyjaśnienie, zmieniony fragment lub treść arkusza kalkulacyjnego. Podaj podstawę obliczeń i zachowaj lokalizacje potwierdzających dokumentów. Opis wydania przedstawia też trening wielojęzyczny w ponad 160 językach, w tym wszystkich językach urzędowych Unii Europejskiej; wskaż wymagany język wyniku i terminologię podczas przygotowywania zadania wielojęzycznego.
Przydatne granice zakresu
Udokumentowane modalności to wejście tekstowe i obrazowe oraz wyjście tekstowe. Kontekst producenta o wielkości 1 mln tokenów nie stanowi osobnej specyfikacji maksymalnej długości odpowiedzi, a przeczytane źródła nie ustalają niezależnego sztywnego limitu wyjścia dla tego wpisu. Wyraźnie wskaż konkretną edycję Large 4, przygotowane dowody i połączone narzędzia. Uporządkowany rekord, wyjaśnienie lub proponowane działanie są najbardziej przydatne, gdy ich pola, potwierdzające źródła i kolejny krok aplikacji zostaną zdefiniowane przed żądaniem.
", "aboutText": "Mistral Large 4 to multimodalny model ogólnego przeznaczenia firmy Mistral AI, łączący wykonywanie instrukcji, rozumowanie, programowanie i pracę agentową. Przyjmuje tekst i obrazy oraz generuje tekst, w tym wyjaśnienia, kod i uporządkowane pola. Jego drobnoziarnista architektura mixture-of-experts używa wybranych komponentów dla każdego tokenu, zamiast aktywować cały zestaw parametrów jednocześnie.\n\nArchitektura i kontekst\n\nBieżąca strona modelu podaje 1,05 bln parametrów łącznie, 52 mld aktywnych parametrów i enkoder wizyjny o 1,6 mld parametrów. Strona wydania producenta wyjaśnia konwencję liczenia: 49 mld aktywnych parametrów na token albo 52 mld z uwzględnieniem embeddingów i warstw wyjściowych. Te liczby opisują strukturę modelu, a nie długość odpowiedzi.\n\nProducent dokumentuje okno kontekstowe o wielkości 1 mln tokenów. Wykorzystaj je, aby połączyć obszerne materiały źródłowe, rozmowę i instrukcje, określając jednocześnie cel końcowego artefaktu. Przy pytaniu obejmującym wiele dokumentów wskaż każdy dokument i jego rolę oraz poproś o lokalizację źródłową obok każdego ustalenia. Duży kontekst jest przydatny, gdy wymagania, diagramy i powiązane wyjaśnienia trzeba rozpatrzyć razem.\n\nUporządkowane odpowiedzi i pytania o dokumenty\n\nKarta modelu wymienia uporządkowane wyniki, wywoływanie funkcji, odpowiadanie na pytania o dokumenty, prefiksy odpowiedzi, przesyłanie wsadowe i rozmowy agentowe. Dokumentacja Mistral dotycząca uporządkowanych wyników rozróżnia tryb JSON i schemat niestandardowy. Określ wymagany format JSON w prompcie; użyj zdefiniowanego schematu, gdy połączony interfejs potrzebuje konkretnej struktury pól. Rekord może rozdzielać fakty źródłowe, interpretacje i otwarte pytania, zamiast łączyć je w jednym akapicie.\n\nOdpowiadanie na pytania o dokumenty to przepływ łączący przetwarzanie dokumentów z rozumieniem modelu językowego. OCR przygotowuje tekst, strukturę i formatowanie, po czym model odpowiada na pytanie dotyczące tego materiału. Żądanie może lokalizować wymaganie, porównywać stwierdzenia w różnych dokumentach lub podsumowywać dowody istotne dla decyzji. Bezpośrednie rozumienie obrazów i przepływ dokumentowy wspomagany OCR to powiązane sposoby przygotowania dowodów; etap przetwarzania dokumentu pozostaje odrębny od wejścia obrazowego.\n\nNa przykład dostarcz specyfikację techniczną i rysunki, wskaż rozpatrywaną rewizję i poproś o macierz wymagań. Każdy wiersz może zawierać wymaganie, potwierdzający je dokument lub rysunek, zaobserwowaną różnicę i wyjaśnienie nadal potrzebne. Zachowaj etykiety, jednostki i obszary obrazu określające porównanie, aby wynik pozostał powiązany z materiałem źródłowym.\n\nProgramowanie, agenci i rozumowanie wizualne\n\nOpis wydania przedstawia analizę cyberbezpieczeństwa, inżynierię oprogramowania, rozumienie repozytorium i przepływy oparte na terminalu. Dla przeglądu kodu w celach obronnych podaj istotną ścieżkę kodu, oczekiwane zachowanie i dowody błędu. Poproś o przyczynę, proponowaną poprawkę i przykłady rozróżniające stare zachowanie od zamierzonego. Dla pytania o repozytorium uwzględnij moduły i relacje wywołań potrzebne do wyjaśnienia wybranego zachowania.\n\nWywoływanie funkcji łączy rozumowanie z narzędziami dostarczonymi przez aplikację. Sekwencja producenta definiuje funkcje, dostarcza pytanie użytkownika, pozwala modelowi przygotować argumenty, wykonuje wybraną funkcję w aplikacji i zwraca jej wynik na potrzeby kolejnej odpowiedzi. Proponowane wywołanie jest odrębne od wykonania. Karta wymienia też wbudowane narzędzia w interfejsie agenta/rozmowy producenta; należą do tego połączonego przepływu, zamiast dodawać modelowi nową modalność wejścia lub wyjścia.\n\nRozumienie wizualne obejmuje dokumenty, wykresy, sceny naturalne i rysunki techniczne. Zadanie dotyczące rysunku może pytać, który oznaczony komponent spełnia dostarczone wymaganie, który wymiar lub adnotacja potwierdza ustalenie i który obszar wymaga dokładniejszego zbadania. Przykłady agentów wizualnych w opisie wydania łączą interpretację z krokami inspekcji; powiększanie, wyszukiwanie i inne działania wymagają otaczającego środowiska narzędziowego.\n\nNauka, matematyka i profesjonalne rezultaty\n\nProducent wymienia programowanie naukowe, analizę danych, modelowanie i rozumowanie matematyczne wśród zamierzonych zastosowań. Dostarcz równania, założenia, jednostki i wymaganą postać wyniku. Żądanie programowania naukowego może dotyczyć implementacji, znaczenia każdej zmiennej i planu porównania jej wyników z warunkami referencyjnymi. Przygotowanie tej implementacji jest wynikiem tekstowym; uruchomienie symulacji lub utworzenie pliku wymaga środowiska aplikacji.\n\nDla profesjonalnej pracy dokumentowej dostarcz raporty źródłowe i zdefiniuj artefakt: tabelę porównawczą, wyjaśnienie, zmieniony fragment lub treść arkusza kalkulacyjnego. Podaj podstawę obliczeń i zachowaj lokalizacje potwierdzających dokumentów. Opis wydania przedstawia też trening wielojęzyczny w ponad 160 językach, w tym wszystkich językach urzędowych Unii Europejskiej; wskaż wymagany język wyniku i terminologię podczas przygotowywania zadania wielojęzycznego.\n\nPrzydatne granice zakresu\n\nUdokumentowane modalności to wejście tekstowe i obrazowe oraz wyjście tekstowe. Kontekst producenta o wielkości 1 mln tokenów nie stanowi osobnej specyfikacji maksymalnej długości odpowiedzi, a przeczytane źródła nie ustalają niezależnego sztywnego limitu wyjścia dla tego wpisu. Wyraźnie wskaż konkretną edycję Large 4, przygotowane dowody i połączone narzędzia. Uporządkowany rekord, wyjaśnienie lub proponowane działanie są najbardziej przydatne, gdy ich pola, potwierdzające źródła i kolejny krok aplikacji zostaną zdefiniowane przed żądaniem.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 to model przyjmujący tekst i obrazy do rozumowania, programowania, analizy dokumentów i agentów korzystających z narzędzi. Kontekst producenta o wielkości 1 mln tokenów wspiera obszerne zbiory źródeł, z uporządkowanymi odpowiedziami, wywoływaniem funkcji i drobnoziarnistą architekturą mixture-of-experts.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Large 4 to multimodalny model ogólnego przeznaczenia firmy Mistral AI, łączący wykonywanie instrukcji, rozumowanie, programowanie i pracę agentową. Przyjmuje tekst i obrazy oraz generuje tekst, w tym wyjaśnienia, kod i uporządkowane pola. Jego drobnoziarnista architektura mixture-of-experts używa wybranych komponentów dla każdego tokenu, zamiast aktywować cały zestaw parametrów jednocześnie.
Architektura i kontekst
Bieżąca strona modelu podaje 1,05 bln parametrów łącznie, 52 mld aktywnych parametrów i enkoder wizyjny o 1,6 mld parametrów. Strona wydania producenta wyjaśnia konwencję liczenia: 49 mld aktywnych parametrów na token albo 52 mld z uwzględnieniem embeddingów i warstw wyjściowych. Te liczby opisują strukturę modelu, a nie długość odpowiedzi.
Producent dokumentuje okno kontekstowe o wielkości 1 mln tokenów. Wykorzystaj je, aby połączyć obszerne materiały źródłowe, rozmowę i instrukcje, określając jednocześnie cel końcowego artefaktu. Przy pytaniu obejmującym wiele dokumentów wskaż każdy dokument i jego rolę oraz poproś o lokalizację źródłową obok każdego ustalenia. Duży kontekst jest przydatny, gdy wymagania, diagramy i powiązane wyjaśnienia trzeba rozpatrzyć razem.
Uporządkowane odpowiedzi i pytania o dokumenty
Karta modelu wymienia uporządkowane wyniki, wywoływanie funkcji, odpowiadanie na pytania o dokumenty, prefiksy odpowiedzi, przesyłanie wsadowe i rozmowy agentowe. Dokumentacja Mistral dotycząca uporządkowanych wyników rozróżnia tryb JSON i schemat niestandardowy. Określ wymagany format JSON w prompcie; użyj zdefiniowanego schematu, gdy połączony interfejs potrzebuje konkretnej struktury pól. Rekord może rozdzielać fakty źródłowe, interpretacje i otwarte pytania, zamiast łączyć je w jednym akapicie.
Odpowiadanie na pytania o dokumenty to przepływ łączący przetwarzanie dokumentów z rozumieniem modelu językowego. OCR przygotowuje tekst, strukturę i formatowanie, po czym model odpowiada na pytanie dotyczące tego materiału. Żądanie może lokalizować wymaganie, porównywać stwierdzenia w różnych dokumentach lub podsumowywać dowody istotne dla decyzji. Bezpośrednie rozumienie obrazów i przepływ dokumentowy wspomagany OCR to powiązane sposoby przygotowania dowodów; etap przetwarzania dokumentu pozostaje odrębny od wejścia obrazowego.
Na przykład dostarcz specyfikację techniczną i rysunki, wskaż rozpatrywaną rewizję i poproś o macierz wymagań. Każdy wiersz może zawierać wymaganie, potwierdzający je dokument lub rysunek, zaobserwowaną różnicę i wyjaśnienie nadal potrzebne. Zachowaj etykiety, jednostki i obszary obrazu określające porównanie, aby wynik pozostał powiązany z materiałem źródłowym.
Programowanie, agenci i rozumowanie wizualne
Opis wydania przedstawia analizę cyberbezpieczeństwa, inżynierię oprogramowania, rozumienie repozytorium i przepływy oparte na terminalu. Dla przeglądu kodu w celach obronnych podaj istotną ścieżkę kodu, oczekiwane zachowanie i dowody błędu. Poproś o przyczynę, proponowaną poprawkę i przykłady rozróżniające stare zachowanie od zamierzonego. Dla pytania o repozytorium uwzględnij moduły i relacje wywołań potrzebne do wyjaśnienia wybranego zachowania.
Wywoływanie funkcji łączy rozumowanie z narzędziami dostarczonymi przez aplikację. Sekwencja producenta definiuje funkcje, dostarcza pytanie użytkownika, pozwala modelowi przygotować argumenty, wykonuje wybraną funkcję w aplikacji i zwraca jej wynik na potrzeby kolejnej odpowiedzi. Proponowane wywołanie jest odrębne od wykonania. Karta wymienia też wbudowane narzędzia w interfejsie agenta/rozmowy producenta; należą do tego połączonego przepływu, zamiast dodawać modelowi nową modalność wejścia lub wyjścia.
Rozumienie wizualne obejmuje dokumenty, wykresy, sceny naturalne i rysunki techniczne. Zadanie dotyczące rysunku może pytać, który oznaczony komponent spełnia dostarczone wymaganie, który wymiar lub adnotacja potwierdza ustalenie i który obszar wymaga dokładniejszego zbadania. Przykłady agentów wizualnych w opisie wydania łączą interpretację z krokami inspekcji; powiększanie, wyszukiwanie i inne działania wymagają otaczającego środowiska narzędziowego.
Nauka, matematyka i profesjonalne rezultaty
Producent wymienia programowanie naukowe, analizę danych, modelowanie i rozumowanie matematyczne wśród zamierzonych zastosowań. Dostarcz równania, założenia, jednostki i wymaganą postać wyniku. Żądanie programowania naukowego może dotyczyć implementacji, znaczenia każdej zmiennej i planu porównania jej wyników z warunkami referencyjnymi. Przygotowanie tej implementacji jest wynikiem tekstowym; uruchomienie symulacji lub utworzenie pliku wymaga środowiska aplikacji.
Dla profesjonalnej pracy dokumentowej dostarcz raporty źródłowe i zdefiniuj artefakt: tabelę porównawczą, wyjaśnienie, zmieniony fragment lub treść arkusza kalkulacyjnego. Podaj podstawę obliczeń i zachowaj lokalizacje potwierdzających dokumentów. Opis wydania przedstawia też trening wielojęzyczny w ponad 160 językach, w tym wszystkich językach urzędowych Unii Europejskiej; wskaż wymagany język wyniku i terminologię podczas przygotowywania zadania wielojęzycznego.
Przydatne granice zakresu
Udokumentowane modalności to wejście tekstowe i obrazowe oraz wyjście tekstowe. Kontekst producenta o wielkości 1 mln tokenów nie stanowi osobnej specyfikacji maksymalnej długości odpowiedzi, a przeczytane źródła nie ustalają niezależnego sztywnego limitu wyjścia dla tego wpisu. Wyraźnie wskaż konkretną edycję Large 4, przygotowane dowody i połączone narzędzia. Uporządkowany rekord, wyjaśnienie lub proponowane działanie są najbardziej przydatne, gdy ich pola, potwierdzające źródła i kolejny krok aplikacji zostaną zdefiniowane przed żądaniem.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00836 / 1K tokenów Wejście · Odczyt cache $0.00028 / 1K tokenów Wejście · Zapis do cache — / 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 $0.00272 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00836 / 1K tokenów Wejście · Odczyt cache $0.00028 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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-4-0", "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-4-0',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-4-0',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-4-0
Użyj ścieżek metod podanych powyżej.
mistralai/mistral-large-4-0Mistral Large 4 to model przyjmujący tekst i obrazy do rozumowania, programowania, analizy dokumentów i agentów korzystających z narzędzi. Kontekst producenta o wielkości 1 mln tokenów wspiera obszerne zbiory źródeł, z uporządkowanymi odpowiedziami, wywoływaniem funkcji i drobnoziarnistą architekturą mixture-of-experts.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Large 4 to multimodalny model ogólnego przeznaczenia firmy Mistral AI, łączący wykonywanie instrukcji, rozumowanie, programowanie i pracę agentową. Przyjmuje tekst i obrazy oraz generuje tekst, w tym wyjaśnienia, kod i uporządkowane pola. Jego drobnoziarnista architektura mixture-of-experts używa wybranych komponentów dla każdego tokenu, zamiast aktywować cały zestaw parametrów jednocześnie.
Architektura i kontekst
Bieżąca strona modelu podaje 1,05 bln parametrów łącznie, 52 mld aktywnych parametrów i enkoder wizyjny o 1,6 mld parametrów. Strona wydania producenta wyjaśnia konwencję liczenia: 49 mld aktywnych parametrów na token albo 52 mld z uwzględnieniem embeddingów i warstw wyjściowych. Te liczby opisują strukturę modelu, a nie długość odpowiedzi.
Producent dokumentuje okno kontekstowe o wielkości 1 mln tokenów. Wykorzystaj je, aby połączyć obszerne materiały źródłowe, rozmowę i instrukcje, określając jednocześnie cel końcowego artefaktu. Przy pytaniu obejmującym wiele dokumentów wskaż każdy dokument i jego rolę oraz poproś o lokalizację źródłową obok każdego ustalenia. Duży kontekst jest przydatny, gdy wymagania, diagramy i powiązane wyjaśnienia trzeba rozpatrzyć razem.
Uporządkowane odpowiedzi i pytania o dokumenty
Karta modelu wymienia uporządkowane wyniki, wywoływanie funkcji, odpowiadanie na pytania o dokumenty, prefiksy odpowiedzi, przesyłanie wsadowe i rozmowy agentowe. Dokumentacja Mistral dotycząca uporządkowanych wyników rozróżnia tryb JSON i schemat niestandardowy. Określ wymagany format JSON w prompcie; użyj zdefiniowanego schematu, gdy połączony interfejs potrzebuje konkretnej struktury pól. Rekord może rozdzielać fakty źródłowe, interpretacje i otwarte pytania, zamiast łączyć je w jednym akapicie.
Odpowiadanie na pytania o dokumenty to przepływ łączący przetwarzanie dokumentów z rozumieniem modelu językowego. OCR przygotowuje tekst, strukturę i formatowanie, po czym model odpowiada na pytanie dotyczące tego materiału. Żądanie może lokalizować wymaganie, porównywać stwierdzenia w różnych dokumentach lub podsumowywać dowody istotne dla decyzji. Bezpośrednie rozumienie obrazów i przepływ dokumentowy wspomagany OCR to powiązane sposoby przygotowania dowodów; etap przetwarzania dokumentu pozostaje odrębny od wejścia obrazowego.
Na przykład dostarcz specyfikację techniczną i rysunki, wskaż rozpatrywaną rewizję i poproś o macierz wymagań. Każdy wiersz może zawierać wymaganie, potwierdzający je dokument lub rysunek, zaobserwowaną różnicę i wyjaśnienie nadal potrzebne. Zachowaj etykiety, jednostki i obszary obrazu określające porównanie, aby wynik pozostał powiązany z materiałem źródłowym.
Programowanie, agenci i rozumowanie wizualne
Opis wydania przedstawia analizę cyberbezpieczeństwa, inżynierię oprogramowania, rozumienie repozytorium i przepływy oparte na terminalu. Dla przeglądu kodu w celach obronnych podaj istotną ścieżkę kodu, oczekiwane zachowanie i dowody błędu. Poproś o przyczynę, proponowaną poprawkę i przykłady rozróżniające stare zachowanie od zamierzonego. Dla pytania o repozytorium uwzględnij moduły i relacje wywołań potrzebne do wyjaśnienia wybranego zachowania.
Wywoływanie funkcji łączy rozumowanie z narzędziami dostarczonymi przez aplikację. Sekwencja producenta definiuje funkcje, dostarcza pytanie użytkownika, pozwala modelowi przygotować argumenty, wykonuje wybraną funkcję w aplikacji i zwraca jej wynik na potrzeby kolejnej odpowiedzi. Proponowane wywołanie jest odrębne od wykonania. Karta wymienia też wbudowane narzędzia w interfejsie agenta/rozmowy producenta; należą do tego połączonego przepływu, zamiast dodawać modelowi nową modalność wejścia lub wyjścia.
Rozumienie wizualne obejmuje dokumenty, wykresy, sceny naturalne i rysunki techniczne. Zadanie dotyczące rysunku może pytać, który oznaczony komponent spełnia dostarczone wymaganie, który wymiar lub adnotacja potwierdza ustalenie i który obszar wymaga dokładniejszego zbadania. Przykłady agentów wizualnych w opisie wydania łączą interpretację z krokami inspekcji; powiększanie, wyszukiwanie i inne działania wymagają otaczającego środowiska narzędziowego.
Nauka, matematyka i profesjonalne rezultaty
Producent wymienia programowanie naukowe, analizę danych, modelowanie i rozumowanie matematyczne wśród zamierzonych zastosowań. Dostarcz równania, założenia, jednostki i wymaganą postać wyniku. Żądanie programowania naukowego może dotyczyć implementacji, znaczenia każdej zmiennej i planu porównania jej wyników z warunkami referencyjnymi. Przygotowanie tej implementacji jest wynikiem tekstowym; uruchomienie symulacji lub utworzenie pliku wymaga środowiska aplikacji.
Dla profesjonalnej pracy dokumentowej dostarcz raporty źródłowe i zdefiniuj artefakt: tabelę porównawczą, wyjaśnienie, zmieniony fragment lub treść arkusza kalkulacyjnego. Podaj podstawę obliczeń i zachowaj lokalizacje potwierdzających dokumentów. Opis wydania przedstawia też trening wielojęzyczny w ponad 160 językach, w tym wszystkich językach urzędowych Unii Europejskiej; wskaż wymagany język wyniku i terminologię podczas przygotowywania zadania wielojęzycznego.
Przydatne granice zakresu
Udokumentowane modalności to wejście tekstowe i obrazowe oraz wyjście tekstowe. Kontekst producenta o wielkości 1 mln tokenów nie stanowi osobnej specyfikacji maksymalnej długości odpowiedzi, a przeczytane źródła nie ustalają niezależnego sztywnego limitu wyjścia dla tego wpisu. Wyraźnie wskaż konkretną edycję Large 4, przygotowane dowody i połączone narzędzia. Uporządkowany rekord, wyjaśnienie lub proponowane działanie są najbardziej przydatne, gdy ich pola, potwierdzające źródła i kolejny krok aplikacji zostaną zdefiniowane przed żądaniem.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-large-4-0 | 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 $0.00272 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00836 / 1K tokenów Wejście · Odczyt cache $0.00028 / 1K tokenów Wejście · Zapis do cache — / 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 $0.00272 / 1K tokenów Wyjście · Tokeny wyjściowe $0.00836 / 1K tokenów Wejście · Odczyt cache $0.00028 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-0', '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-4-0', '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-4-0
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.