Mistral Medium 3.1 to multimodalna edycja Mistral AI do rozumienia tekstu i materiałów wizualnych. Producent opisuje tę rewizję jako poprawiającą ton i skuteczność w linii Medium 3. Przyjmuje tekst i obrazy oraz generuje tekst: wyjaśnienie, odpowiedź o dokumencie, uporządkowany rekord lub proponowane wywołanie funkcji. Stały identyfikator tej edycji u producenta to mistral-medium-2508.
Kontekst i konkretna edycja
Strona modelu dokumentuje okno kontekstowe o wielkości 128 tys. tokenów. Wykorzystaj je, aby utrzymać razem powiązane fragmenty źródłowe, dowody obrazowe, rozmowę i zadanie użytkownika. Określ role dokumentów i pytanie do rozstrzygnięcia przed dostarczeniem dużego zbioru. Długi kontekst może wspierać ukierunkowane porównanie, podczas gdy końcowy artefakt pozostaje krótką tabelą lub zmienioną sekcją.
Medium 3.1 zachowuje własną specyfikację. Kontekstu o wielkości 256 tys. tokenów, gęstej architektury o 128 mld parametrów i konfigurowalnych trybów hybrydowego rozumowania opisanych dla Medium 3.5 nie należy przypisywać temu wpisowi. Strona 3.1 nie podaje liczby parametrów ani osobnej wartości maksymalnej długości odpowiedzi, którą można bezpiecznie zastąpić danymi późniejszego modelu.
Uporządkowane wyniki i funkcje
Producent wymienia uporządkowane wyniki, wywoływanie funkcji i przewidywane wyniki wśród funkcji tej edycji. Dla zadania uporządkowanej ekstrakcji zdefiniuj wymagane pola, oczekiwane typy i sposób traktowania informacji nieobecnych w źródle. Rekord może zawierać identyfikator dokumentu, wyodrębnione stwierdzenie, jego lokalizację źródłową i pytanie, które pozostaje. Poproś wyłącznie o rekord, gdy ma go parsować program, albo zachowaj osobne wyjaśnienie tekstowe, gdy ktoś musi sprawdzić interpretację.
Wspólna dokumentacja Mistral dotycząca uporządkowanych wyników rozróżnia tryb JSON i schemat niestandardowy. Tryb JSON wymaga wyraźnej instrukcji dotyczącej pożądanego formatu JSON, a ścieżka niestandardowa definiuje bardziej szczegółową strukturę. Jest to formatowanie wyniku tekstowego, a nie nowa modalność treści lub działanie zewnętrzne.
Dla funkcji aplikacja definiuje dostępną operację i argumenty, model wybiera odpowiednie wywołanie i przygotowuje wartości, a aplikacja je wykonuje. Jego wynik staje się następnie informacją dla kolejnej odpowiedzi. Asystent dokumentowy może użyć wyszukiwania, aby uzyskać brakujące dane referencyjne, ale tylko jeśli otaczająca aplikacja dostarcza takie wyszukiwanie i zwraca jego rzeczywisty wynik. Zachowuj powiązanie proponowanego wywołania i zwróconych danych.
Przewidywane zmiany i prefiksy odpowiedzi
Przewidywane wyniki są przydatne, gdy większość pożądanego rezultatu jest już znana, jak w przypadku dokumentu lub pliku kodu wymagającego ograniczonej zmiany. Dostarcz istniejącą treść i precyzyjnie opisz zmianę, w tym to, co musi pozostać niezmienione. Żądanie może aktualizować terminologię jednej sekcji lub zastępować jeden szczegół implementacji przy zachowaniu reszty dokumentu. Predykcja zawiera oczekiwaną treść wyjściową, a nie ukończoną zmianę zastosowaną w pliku.
Strona modelu wymienia też kontynuację prefiksu odpowiedzi. W dokumentacji czatu producenta prefiks dostarcza znany początek odpowiedzi asystenta, po którym generowanie jest kontynuowane. Znany początek i przewidywana treść rozwiązują różne problemy przygotowania. Przetwarzanie wsadowe i interfejsy agenta/rozmowy są podobnie funkcjami przepływu pracy, a nie osobnymi edycjami obrazowymi, dźwiękowymi lub rozumowania Medium 3.1.
Pytania o dokumenty i materiały wizualne
Wymieniony przepływ document-QnA łączy tekst, strukturę i formatowanie przygotowane przez OCR z analizą modelu językowego. Pytaj o konkretny warunek, fragment lub relację wymagane w zadaniu. Porównanie może wskazywać dokumenty źródłowe i żądać wspólnych stwierdzeń, konfliktów i nierozstrzygniętych szczegółów, zachowując lokalizację źródłową obok każdego ustalenia.
Przewodnik wizji producenta wyraźnie obejmuje Medium 3.1. Bezpośrednie pytanie wizualne może dostarczać czytelny wykres, obraz dokumentu lub zrzut ekranu i pytać, jakie widoczne dowody potwierdzają wniosek. Zachowaj osie, jednostki, etykiety i kontekst wokół przyciętego pola. Jeśli dostarczono kilka obrazów, wskaż ich kolejność i rolę, zamiast pozostawiać modelowi wywnioskowanie, który jest oryginałem, rewizją lub odniesieniem.
Na przykład połącz pisemne wymaganie procesu ze zrzutem ekranu i poproś o tabelę widocznych zgodności, różnic i pytań wymagających dodatkowych informacji. Inne zadanie może dostarczać dwie wersje dokumentu i prosić o zmieniony fragment, który zachowuje ich wspólne warunki, rozwiązując nazwaną niespójność. Są to proponowane zastosowania udokumentowanych możliwości wizualnych, dokumentowych i edycyjnych, z wymaganym wynikiem zdefiniowanym z góry.
Przygotowanie końcowego artefaktu
Nadaj asystentowi jasną rolę, materiał źródłowy do wykorzystania i postać odpowiedzi. Odróżniaj trwałe reguły odpowiedzi od badanego dokumentu i określ język końcowy oraz terminologię. Przydatna odpowiedź może rozdzielać wyodrębniony fakt, jego źródło i interpretację, ułatwiając sprawdzenie w porównaniu z jednym scalonym podsumowaniem.
Udokumentowany wynik pozostaje tekstem. Narzędzia zewnętrzne, zmiany plików i dalsze przetwarzanie dokumentów należą do aplikacji połączonej z rozmową. Zachowaj wskazaną edycję Medium 3.1 i jej kontekst o wielkości 128 tys. tokenów oraz żądaj wyjaśnienia, uporządkowanego rekordu lub ukierunkowanej rewizji rzeczywiście potrzebnych w kolejnym kroku.
", "aboutText": "Mistral Medium 3.1 to multimodalna edycja Mistral AI do rozumienia tekstu i materiałów wizualnych. Producent opisuje tę rewizję jako poprawiającą ton i skuteczność w linii Medium 3. Przyjmuje tekst i obrazy oraz generuje tekst: wyjaśnienie, odpowiedź o dokumencie, uporządkowany rekord lub proponowane wywołanie funkcji. Stały identyfikator tej edycji u producenta to mistral-medium-2508.\n\nKontekst i konkretna edycja\n\nStrona modelu dokumentuje okno kontekstowe o wielkości 128 tys. tokenów. Wykorzystaj je, aby utrzymać razem powiązane fragmenty źródłowe, dowody obrazowe, rozmowę i zadanie użytkownika. Określ role dokumentów i pytanie do rozstrzygnięcia przed dostarczeniem dużego zbioru. Długi kontekst może wspierać ukierunkowane porównanie, podczas gdy końcowy artefakt pozostaje krótką tabelą lub zmienioną sekcją.\n\nMedium 3.1 zachowuje własną specyfikację. Kontekstu o wielkości 256 tys. tokenów, gęstej architektury o 128 mld parametrów i konfigurowalnych trybów hybrydowego rozumowania opisanych dla Medium 3.5 nie należy przypisywać temu wpisowi. Strona 3.1 nie podaje liczby parametrów ani osobnej wartości maksymalnej długości odpowiedzi, którą można bezpiecznie zastąpić danymi późniejszego modelu.\n\nUporządkowane wyniki i funkcje\n\nProducent wymienia uporządkowane wyniki, wywoływanie funkcji i przewidywane wyniki wśród funkcji tej edycji. Dla zadania uporządkowanej ekstrakcji zdefiniuj wymagane pola, oczekiwane typy i sposób traktowania informacji nieobecnych w źródle. Rekord może zawierać identyfikator dokumentu, wyodrębnione stwierdzenie, jego lokalizację źródłową i pytanie, które pozostaje. Poproś wyłącznie o rekord, gdy ma go parsować program, albo zachowaj osobne wyjaśnienie tekstowe, gdy ktoś musi sprawdzić interpretację.\n\nWspólna dokumentacja Mistral dotycząca uporządkowanych wyników rozróżnia tryb JSON i schemat niestandardowy. Tryb JSON wymaga wyraźnej instrukcji dotyczącej pożądanego formatu JSON, a ścieżka niestandardowa definiuje bardziej szczegółową strukturę. Jest to formatowanie wyniku tekstowego, a nie nowa modalność treści lub działanie zewnętrzne.\n\nDla funkcji aplikacja definiuje dostępną operację i argumenty, model wybiera odpowiednie wywołanie i przygotowuje wartości, a aplikacja je wykonuje. Jego wynik staje się następnie informacją dla kolejnej odpowiedzi. Asystent dokumentowy może użyć wyszukiwania, aby uzyskać brakujące dane referencyjne, ale tylko jeśli otaczająca aplikacja dostarcza takie wyszukiwanie i zwraca jego rzeczywisty wynik. Zachowuj powiązanie proponowanego wywołania i zwróconych danych.\n\nPrzewidywane zmiany i prefiksy odpowiedzi\n\nPrzewidywane wyniki są przydatne, gdy większość pożądanego rezultatu jest już znana, jak w przypadku dokumentu lub pliku kodu wymagającego ograniczonej zmiany. Dostarcz istniejącą treść i precyzyjnie opisz zmianę, w tym to, co musi pozostać niezmienione. Żądanie może aktualizować terminologię jednej sekcji lub zastępować jeden szczegół implementacji przy zachowaniu reszty dokumentu. Predykcja zawiera oczekiwaną treść wyjściową, a nie ukończoną zmianę zastosowaną w pliku.\n\nStrona modelu wymienia też kontynuację prefiksu odpowiedzi. W dokumentacji czatu producenta prefiks dostarcza znany początek odpowiedzi asystenta, po którym generowanie jest kontynuowane. Znany początek i przewidywana treść rozwiązują różne problemy przygotowania. Przetwarzanie wsadowe i interfejsy agenta/rozmowy są podobnie funkcjami przepływu pracy, a nie osobnymi edycjami obrazowymi, dźwiękowymi lub rozumowania Medium 3.1.\n\nPytania o dokumenty i materiały wizualne\n\nWymieniony przepływ document-QnA łączy tekst, strukturę i formatowanie przygotowane przez OCR z analizą modelu językowego. Pytaj o konkretny warunek, fragment lub relację wymagane w zadaniu. Porównanie może wskazywać dokumenty źródłowe i żądać wspólnych stwierdzeń, konfliktów i nierozstrzygniętych szczegółów, zachowując lokalizację źródłową obok każdego ustalenia.\n\nPrzewodnik wizji producenta wyraźnie obejmuje Medium 3.1. Bezpośrednie pytanie wizualne może dostarczać czytelny wykres, obraz dokumentu lub zrzut ekranu i pytać, jakie widoczne dowody potwierdzają wniosek. Zachowaj osie, jednostki, etykiety i kontekst wokół przyciętego pola. Jeśli dostarczono kilka obrazów, wskaż ich kolejność i rolę, zamiast pozostawiać modelowi wywnioskowanie, który jest oryginałem, rewizją lub odniesieniem.\n\nNa przykład połącz pisemne wymaganie procesu ze zrzutem ekranu i poproś o tabelę widocznych zgodności, różnic i pytań wymagających dodatkowych informacji. Inne zadanie może dostarczać dwie wersje dokumentu i prosić o zmieniony fragment, który zachowuje ich wspólne warunki, rozwiązując nazwaną niespójność. Są to proponowane zastosowania udokumentowanych możliwości wizualnych, dokumentowych i edycyjnych, z wymaganym wynikiem zdefiniowanym z góry.\n\nPrzygotowanie końcowego artefaktu\n\nNadaj asystentowi jasną rolę, materiał źródłowy do wykorzystania i postać odpowiedzi. Odróżniaj trwałe reguły odpowiedzi od badanego dokumentu i określ język końcowy oraz terminologię. Przydatna odpowiedź może rozdzielać wyodrębniony fakt, jego źródło i interpretację, ułatwiając sprawdzenie w porównaniu z jednym scalonym podsumowaniem.\n\nUdokumentowany wynik pozostaje tekstem. Narzędzia zewnętrzne, zmiany plików i dalsze przetwarzanie dokumentów należą do aplikacji połączonej z rozmową. Zachowaj wskazaną edycję Medium 3.1 i jej kontekst o wielkości 128 tys. tokenów oraz żądaj wyjaśnienia, uporządkowanego rekordu lub ukierunkowanej rewizji rzeczywiście potrzebnych w kolejnym kroku.", "editorialOverlay": { "copy_fields": { "practical_html": "Przykład techniczny po angielsku
Apply a narrow terminology edit\n\nRevise only the terminology in this paragraph: 'A subscriber can pause the plan. The subscriber keeps access until the current period ends. Support can help the subscriber resume.' Replace 'subscriber' with 'member', adapting capitalization, and keep every condition and sentence order. Return the revised paragraph alone, without claiming a file was modified.The complete revised paragraph with the requested terminology change only.The access-until-period-end condition and pause/resume distinction must remain intact.mistralai/mistral-medium-3.1Mistral Medium 3.1 to model przyjmujący tekst i obrazy do odpowiedzi w rozmowie, pytań o dokumenty i uporządkowanej ekstrakcji. Kontekst producenta o wielkości 128 tys. tokenów oraz wymienione funkcje wywoływania funkcji, przewidywanych wyników i prefiksów wspierają wyjaśnienia oparte na źródłach i ukierunkowane przepływy edycyjne.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Medium 3.1 to multimodalna edycja Mistral AI do rozumienia tekstu i materiałów wizualnych. Producent opisuje tę rewizję jako poprawiającą ton i skuteczność w linii Medium 3. Przyjmuje tekst i obrazy oraz generuje tekst: wyjaśnienie, odpowiedź o dokumencie, uporządkowany rekord lub proponowane wywołanie funkcji. Stały identyfikator tej edycji u producenta to mistral-medium-2508.
Kontekst i konkretna edycja
Strona modelu dokumentuje okno kontekstowe o wielkości 128 tys. tokenów. Wykorzystaj je, aby utrzymać razem powiązane fragmenty źródłowe, dowody obrazowe, rozmowę i zadanie użytkownika. Określ role dokumentów i pytanie do rozstrzygnięcia przed dostarczeniem dużego zbioru. Długi kontekst może wspierać ukierunkowane porównanie, podczas gdy końcowy artefakt pozostaje krótką tabelą lub zmienioną sekcją.
Medium 3.1 zachowuje własną specyfikację. Kontekstu o wielkości 256 tys. tokenów, gęstej architektury o 128 mld parametrów i konfigurowalnych trybów hybrydowego rozumowania opisanych dla Medium 3.5 nie należy przypisywać temu wpisowi. Strona 3.1 nie podaje liczby parametrów ani osobnej wartości maksymalnej długości odpowiedzi, którą można bezpiecznie zastąpić danymi późniejszego modelu.
Uporządkowane wyniki i funkcje
Producent wymienia uporządkowane wyniki, wywoływanie funkcji i przewidywane wyniki wśród funkcji tej edycji. Dla zadania uporządkowanej ekstrakcji zdefiniuj wymagane pola, oczekiwane typy i sposób traktowania informacji nieobecnych w źródle. Rekord może zawierać identyfikator dokumentu, wyodrębnione stwierdzenie, jego lokalizację źródłową i pytanie, które pozostaje. Poproś wyłącznie o rekord, gdy ma go parsować program, albo zachowaj osobne wyjaśnienie tekstowe, gdy ktoś musi sprawdzić interpretację.
Wspólna dokumentacja Mistral dotycząca uporządkowanych wyników rozróżnia tryb JSON i schemat niestandardowy. Tryb JSON wymaga wyraźnej instrukcji dotyczącej pożądanego formatu JSON, a ścieżka niestandardowa definiuje bardziej szczegółową strukturę. Jest to formatowanie wyniku tekstowego, a nie nowa modalność treści lub działanie zewnętrzne.
Dla funkcji aplikacja definiuje dostępną operację i argumenty, model wybiera odpowiednie wywołanie i przygotowuje wartości, a aplikacja je wykonuje. Jego wynik staje się następnie informacją dla kolejnej odpowiedzi. Asystent dokumentowy może użyć wyszukiwania, aby uzyskać brakujące dane referencyjne, ale tylko jeśli otaczająca aplikacja dostarcza takie wyszukiwanie i zwraca jego rzeczywisty wynik. Zachowuj powiązanie proponowanego wywołania i zwróconych danych.
Przewidywane zmiany i prefiksy odpowiedzi
Przewidywane wyniki są przydatne, gdy większość pożądanego rezultatu jest już znana, jak w przypadku dokumentu lub pliku kodu wymagającego ograniczonej zmiany. Dostarcz istniejącą treść i precyzyjnie opisz zmianę, w tym to, co musi pozostać niezmienione. Żądanie może aktualizować terminologię jednej sekcji lub zastępować jeden szczegół implementacji przy zachowaniu reszty dokumentu. Predykcja zawiera oczekiwaną treść wyjściową, a nie ukończoną zmianę zastosowaną w pliku.
Strona modelu wymienia też kontynuację prefiksu odpowiedzi. W dokumentacji czatu producenta prefiks dostarcza znany początek odpowiedzi asystenta, po którym generowanie jest kontynuowane. Znany początek i przewidywana treść rozwiązują różne problemy przygotowania. Przetwarzanie wsadowe i interfejsy agenta/rozmowy są podobnie funkcjami przepływu pracy, a nie osobnymi edycjami obrazowymi, dźwiękowymi lub rozumowania Medium 3.1.
Pytania o dokumenty i materiały wizualne
Wymieniony przepływ document-QnA łączy tekst, strukturę i formatowanie przygotowane przez OCR z analizą modelu językowego. Pytaj o konkretny warunek, fragment lub relację wymagane w zadaniu. Porównanie może wskazywać dokumenty źródłowe i żądać wspólnych stwierdzeń, konfliktów i nierozstrzygniętych szczegółów, zachowując lokalizację źródłową obok każdego ustalenia.
Przewodnik wizji producenta wyraźnie obejmuje Medium 3.1. Bezpośrednie pytanie wizualne może dostarczać czytelny wykres, obraz dokumentu lub zrzut ekranu i pytać, jakie widoczne dowody potwierdzają wniosek. Zachowaj osie, jednostki, etykiety i kontekst wokół przyciętego pola. Jeśli dostarczono kilka obrazów, wskaż ich kolejność i rolę, zamiast pozostawiać modelowi wywnioskowanie, który jest oryginałem, rewizją lub odniesieniem.
Na przykład połącz pisemne wymaganie procesu ze zrzutem ekranu i poproś o tabelę widocznych zgodności, różnic i pytań wymagających dodatkowych informacji. Inne zadanie może dostarczać dwie wersje dokumentu i prosić o zmieniony fragment, który zachowuje ich wspólne warunki, rozwiązując nazwaną niespójność. Są to proponowane zastosowania udokumentowanych możliwości wizualnych, dokumentowych i edycyjnych, z wymaganym wynikiem zdefiniowanym z góry.
Przygotowanie końcowego artefaktu
Nadaj asystentowi jasną rolę, materiał źródłowy do wykorzystania i postać odpowiedzi. Odróżniaj trwałe reguły odpowiedzi od badanego dokumentu i określ język końcowy oraz terminologię. Przydatna odpowiedź może rozdzielać wyodrębniony fakt, jego źródło i interpretację, ułatwiając sprawdzenie w porównaniu z jednym scalonym podsumowaniem.
Udokumentowany wynik pozostaje tekstem. Narzędzia zewnętrzne, zmiany plików i dalsze przetwarzanie dokumentów należą do aplikacji połączonej z rozmową. Zachowaj wskazaną edycję Medium 3.1 i jej kontekst o wielkości 128 tys. tokenów oraz żądaj wyjaśnienia, uporządkowanego rekordu lub ukierunkowanej rewizji rzeczywiście potrzebnych w kolejnym kroku.
POST /v1/chat/completionstexttext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-medium-3.1 | 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 $0.0008 / 1K tokenów Wyjście · Tokeny wyjściowe $0.004 / 1K tokenów Wejście · Odczyt cache $0.00008 / 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 $0.0008 / 1K tokenów Wyjście · Tokeny wyjściowe $0.004 / 1K tokenów Wejście · Odczyt cache $0.00008 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-medium-3.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-medium-3.1',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-medium-3.1
Użyj ścieżek metod podanych powyżej.
mistralai/mistral-medium-3.1Mistral Medium 3.1 to model przyjmujący tekst i obrazy do odpowiedzi w rozmowie, pytań o dokumenty i uporządkowanej ekstrakcji. Kontekst producenta o wielkości 128 tys. tokenów oraz wymienione funkcje wywoływania funkcji, przewidywanych wyników i prefiksów wspierają wyjaśnienia oparte na źródłach i ukierunkowane przepływy edycyjne.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Mistral Medium 3.1 to multimodalna edycja Mistral AI do rozumienia tekstu i materiałów wizualnych. Producent opisuje tę rewizję jako poprawiającą ton i skuteczność w linii Medium 3. Przyjmuje tekst i obrazy oraz generuje tekst: wyjaśnienie, odpowiedź o dokumencie, uporządkowany rekord lub proponowane wywołanie funkcji. Stały identyfikator tej edycji u producenta to mistral-medium-2508.
Kontekst i konkretna edycja
Strona modelu dokumentuje okno kontekstowe o wielkości 128 tys. tokenów. Wykorzystaj je, aby utrzymać razem powiązane fragmenty źródłowe, dowody obrazowe, rozmowę i zadanie użytkownika. Określ role dokumentów i pytanie do rozstrzygnięcia przed dostarczeniem dużego zbioru. Długi kontekst może wspierać ukierunkowane porównanie, podczas gdy końcowy artefakt pozostaje krótką tabelą lub zmienioną sekcją.
Medium 3.1 zachowuje własną specyfikację. Kontekstu o wielkości 256 tys. tokenów, gęstej architektury o 128 mld parametrów i konfigurowalnych trybów hybrydowego rozumowania opisanych dla Medium 3.5 nie należy przypisywać temu wpisowi. Strona 3.1 nie podaje liczby parametrów ani osobnej wartości maksymalnej długości odpowiedzi, którą można bezpiecznie zastąpić danymi późniejszego modelu.
Uporządkowane wyniki i funkcje
Producent wymienia uporządkowane wyniki, wywoływanie funkcji i przewidywane wyniki wśród funkcji tej edycji. Dla zadania uporządkowanej ekstrakcji zdefiniuj wymagane pola, oczekiwane typy i sposób traktowania informacji nieobecnych w źródle. Rekord może zawierać identyfikator dokumentu, wyodrębnione stwierdzenie, jego lokalizację źródłową i pytanie, które pozostaje. Poproś wyłącznie o rekord, gdy ma go parsować program, albo zachowaj osobne wyjaśnienie tekstowe, gdy ktoś musi sprawdzić interpretację.
Wspólna dokumentacja Mistral dotycząca uporządkowanych wyników rozróżnia tryb JSON i schemat niestandardowy. Tryb JSON wymaga wyraźnej instrukcji dotyczącej pożądanego formatu JSON, a ścieżka niestandardowa definiuje bardziej szczegółową strukturę. Jest to formatowanie wyniku tekstowego, a nie nowa modalność treści lub działanie zewnętrzne.
Dla funkcji aplikacja definiuje dostępną operację i argumenty, model wybiera odpowiednie wywołanie i przygotowuje wartości, a aplikacja je wykonuje. Jego wynik staje się następnie informacją dla kolejnej odpowiedzi. Asystent dokumentowy może użyć wyszukiwania, aby uzyskać brakujące dane referencyjne, ale tylko jeśli otaczająca aplikacja dostarcza takie wyszukiwanie i zwraca jego rzeczywisty wynik. Zachowuj powiązanie proponowanego wywołania i zwróconych danych.
Przewidywane zmiany i prefiksy odpowiedzi
Przewidywane wyniki są przydatne, gdy większość pożądanego rezultatu jest już znana, jak w przypadku dokumentu lub pliku kodu wymagającego ograniczonej zmiany. Dostarcz istniejącą treść i precyzyjnie opisz zmianę, w tym to, co musi pozostać niezmienione. Żądanie może aktualizować terminologię jednej sekcji lub zastępować jeden szczegół implementacji przy zachowaniu reszty dokumentu. Predykcja zawiera oczekiwaną treść wyjściową, a nie ukończoną zmianę zastosowaną w pliku.
Strona modelu wymienia też kontynuację prefiksu odpowiedzi. W dokumentacji czatu producenta prefiks dostarcza znany początek odpowiedzi asystenta, po którym generowanie jest kontynuowane. Znany początek i przewidywana treść rozwiązują różne problemy przygotowania. Przetwarzanie wsadowe i interfejsy agenta/rozmowy są podobnie funkcjami przepływu pracy, a nie osobnymi edycjami obrazowymi, dźwiękowymi lub rozumowania Medium 3.1.
Pytania o dokumenty i materiały wizualne
Wymieniony przepływ document-QnA łączy tekst, strukturę i formatowanie przygotowane przez OCR z analizą modelu językowego. Pytaj o konkretny warunek, fragment lub relację wymagane w zadaniu. Porównanie może wskazywać dokumenty źródłowe i żądać wspólnych stwierdzeń, konfliktów i nierozstrzygniętych szczegółów, zachowując lokalizację źródłową obok każdego ustalenia.
Przewodnik wizji producenta wyraźnie obejmuje Medium 3.1. Bezpośrednie pytanie wizualne może dostarczać czytelny wykres, obraz dokumentu lub zrzut ekranu i pytać, jakie widoczne dowody potwierdzają wniosek. Zachowaj osie, jednostki, etykiety i kontekst wokół przyciętego pola. Jeśli dostarczono kilka obrazów, wskaż ich kolejność i rolę, zamiast pozostawiać modelowi wywnioskowanie, który jest oryginałem, rewizją lub odniesieniem.
Na przykład połącz pisemne wymaganie procesu ze zrzutem ekranu i poproś o tabelę widocznych zgodności, różnic i pytań wymagających dodatkowych informacji. Inne zadanie może dostarczać dwie wersje dokumentu i prosić o zmieniony fragment, który zachowuje ich wspólne warunki, rozwiązując nazwaną niespójność. Są to proponowane zastosowania udokumentowanych możliwości wizualnych, dokumentowych i edycyjnych, z wymaganym wynikiem zdefiniowanym z góry.
Przygotowanie końcowego artefaktu
Nadaj asystentowi jasną rolę, materiał źródłowy do wykorzystania i postać odpowiedzi. Odróżniaj trwałe reguły odpowiedzi od badanego dokumentu i określ język końcowy oraz terminologię. Przydatna odpowiedź może rozdzielać wyodrębniony fakt, jego źródło i interpretację, ułatwiając sprawdzenie w porównaniu z jednym scalonym podsumowaniem.
Udokumentowany wynik pozostaje tekstem. Narzędzia zewnętrzne, zmiany plików i dalsze przetwarzanie dokumentów należą do aplikacji połączonej z rozmową. Zachowaj wskazaną edycję Medium 3.1 i jej kontekst o wielkości 128 tys. tokenów oraz żądaj wyjaśnienia, uporządkowanego rekordu lub ukierunkowanej rewizji rzeczywiście potrzebnych w kolejnym kroku.
POST /v1/messagestextjson, sse| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/mistral-medium-3.1 | 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 $0.0008 / 1K tokenów Wyjście · Tokeny wyjściowe $0.004 / 1K tokenów Wejście · Odczyt cache $0.00008 / 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 $0.0008 / 1K tokenów Wyjście · Tokeny wyjściowe $0.004 / 1K tokenów Wejście · Odczyt cache $0.00008 / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
{\n "model": "mistralai/mistral-medium-3.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3.1', '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-medium-3.1
Użyj ścieżek metod podanych powyżej.
Przykład techniczny po angielsku
Apply a narrow terminology edit\n\nRevise only the terminology in this paragraph: 'A subscriber can pause the plan. The subscriber keeps access until the current period ends. Support can help the subscriber resume.' Replace 'subscriber' with 'member', adapting capitalization, and keep every condition and sentence order. Return the revised paragraph alone, without claiming a file was modified.The complete revised paragraph with the requested terminology change only.The access-until-period-end condition and pause/resume distinction must remain intact.