Mistral Large 3 2512 é a edição da Mistral AI ajustada para seguir instruções, destinada a conversa geral, compreensão visual e trabalho empresarial. A arquitetura esparsa de mistura de especialistas tem 675 mil milhões de parâmetros no total, dos quais 41 mil milhões ativos, e uma janela de contexto de 256k. Texto e imagens podem contribuir para a mesma tarefa, enquanto a resposta é texto, código ou um resultado estruturado.
Capacidades e preparação das entradas
O modelo combina uma componente linguística com um codificador visual. Atribua à imagem um papel claro: uma página a ler, um diagrama a interpretar ou um ecrã a explicar. Para um ecrã com muitos elementos, forneça um recorte com os controlos relevantes e preserve as etiquetas envolventes necessárias à sua compreensão. A Mistral recomenda formatos de imagem próximos do quadrado; divida uma fonte excecionalmente estreita ou larga em regiões úteis, em vez de reduzir detalhes importantes a uma faixa ilegível.
O fabricante enumera conversa multilingue em dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Indique a língua de saída, o leitor pretendido e a terminologia a preservar. Para um artigo de apoio, peça uma explicação localizada com os nomes dos produtos inalterados e uma lista curta de traduções incertas a resolver antes da publicação.
Documentos longos e conhecimento empresarial
Use o contexto para reunir material relacionado: texto de políticas, uma especificação, decisões existentes e a pergunta que precisa de resposta. Identifique cada fonte e a sua revisão. Um pedido útil é: «Compare estas três políticas de integração. Devolva uma tabela de requisitos comuns, conflitos e perguntas sem resposta, com a secção de origem de cada conclusão.» O artefacto resultante é uma comparação fundamentada nos trechos fornecidos, em vez de um resumo genérico do tema.
Para uma pergunta documental, identifique o nível de detalhe pretendido e peça o trecho de apoio junto da conclusão. O fluxo Document QnA da Mistral extrai primeiro texto e estrutura documental com OCR e usa depois um modelo de linguagem para interpretar esse material. Preserve números de página e títulos ao preparar texto extraído para que a resposta possa remeter para o original. Um URL de documento, texto extraído e elementos de prova em imagem têm requisitos de preparação diferentes; escolha o formato de entrada suportado pela aplicação utilizada.
Programação e assistência quotidiana
A Mistral destina Large 3 tanto a apoio à programação como a conversa diária. Forneça as funções relevantes, o comportamento esperado e a falha observada. Por exemplo: «Este analisador perde o último campo quando a entrada termina sem mudança de linha. Explique o ramo que falha, proponha a menor alteração e devolva a função corrigida com três exemplos representativos de entrada e saída.» O resultado útil é uma alteração proposta ligada ao código efetivo e um conjunto de casos que o programador pode executar.
Para um rascunho empresarial, forneça os factos e o artefacto pretendido em conjunto. Um pedido para transformar notas de reunião num memorando de decisão deve identificar a decisão, as alternativas, as hipóteses por resolver e a próxima ação. Peça ao modelo que separe factos das fontes e recomendações e que assinale informação em falta na secção adequada. Assim, a saída é mais fácil de rever do que uma narrativa indiferenciada.
Ferramentas e resultados estruturados
As chamadas nativas de funções permitem ao modelo escolher uma função fornecida e preparar os argumentos. A aplicação executa-a e devolve o resultado; o modelo usa depois a informação devolvida na resposta. Mantenha as ferramentas específicas e disponibilize apenas as necessárias à tarefa. Um assistente de consulta de existências pode receber uma referência de produto, pedir uma consulta de stock e explicar a quantidade e o armazém devolvidos. Valide a função selecionada e os argumentos antes de executar o pedido e conserve a resposta da ferramenta junto da resposta final.
Para extração, especifique os campos, os tipos e o tratamento dos valores em falta. A Mistral documenta o modo JSON e saída estruturada personalizada; o modo JSON exige uma instrução explícita para devolver JSON, enquanto um esquema personalizado fornece um controlo de formato mais forte. Um resumo de fatura pode pedir fornecedor, número de fatura, data de vencimento, moeda e linhas de artigos, representando consistentemente os valores em falta. Inspecione os valores extraídos face ao documento, mesmo quando a resposta corresponde à estrutura pedida.
Definições e diferenças entre edições
Defina o papel, a tarefa e as regras das ferramentas nas instruções de sistema. A Mistral recomenda uma temperatura inferior a 0,1 para utilização em produção e quotidiana deste ponto de controlo, podendo explorar-se valores superiores em tarefas criativas. Separe pedidos de ideias variadas de pedidos de extração reproduzível: dê ao primeiro espaço para alternativas e ao segundo campos explícitos e restrições de fonte.
Esta edição de instruções é distinta do ponto de controlo base Large 3 e de modelos de raciocínio dedicados. O fabricante identifica o raciocínio rigoroso e o trabalho visual especializado como áreas em que pode ser preferível um modelo concebido especificamente para essas tarefas. Para um cálculo difícil, forneça as hipóteses e unidades, peça verificações intermédias e use uma ferramenta de cálculo disponível para confirmar o resultado. Para elementos de prova visuais densos, prepare regiões legíveis e compare a resposta com a fonte antes de a usar num relatório.
", "aboutText": "Mistral Large 3 2512 é a edição da Mistral AI ajustada para seguir instruções, destinada a conversa geral, compreensão visual e trabalho empresarial. A arquitetura esparsa de mistura de especialistas tem 675 mil milhões de parâmetros no total, dos quais 41 mil milhões ativos, e uma janela de contexto de 256k. Texto e imagens podem contribuir para a mesma tarefa, enquanto a resposta é texto, código ou um resultado estruturado.\n\nCapacidades e preparação das entradas\n\nO modelo combina uma componente linguística com um codificador visual. Atribua à imagem um papel claro: uma página a ler, um diagrama a interpretar ou um ecrã a explicar. Para um ecrã com muitos elementos, forneça um recorte com os controlos relevantes e preserve as etiquetas envolventes necessárias à sua compreensão. A Mistral recomenda formatos de imagem próximos do quadrado; divida uma fonte excecionalmente estreita ou larga em regiões úteis, em vez de reduzir detalhes importantes a uma faixa ilegível.\n\nO fabricante enumera conversa multilingue em dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Indique a língua de saída, o leitor pretendido e a terminologia a preservar. Para um artigo de apoio, peça uma explicação localizada com os nomes dos produtos inalterados e uma lista curta de traduções incertas a resolver antes da publicação.\n\nDocumentos longos e conhecimento empresarial\n\nUse o contexto para reunir material relacionado: texto de políticas, uma especificação, decisões existentes e a pergunta que precisa de resposta. Identifique cada fonte e a sua revisão. Um pedido útil é: «Compare estas três políticas de integração. Devolva uma tabela de requisitos comuns, conflitos e perguntas sem resposta, com a secção de origem de cada conclusão.» O artefacto resultante é uma comparação fundamentada nos trechos fornecidos, em vez de um resumo genérico do tema.\n\nPara uma pergunta documental, identifique o nível de detalhe pretendido e peça o trecho de apoio junto da conclusão. O fluxo Document QnA da Mistral extrai primeiro texto e estrutura documental com OCR e usa depois um modelo de linguagem para interpretar esse material. Preserve números de página e títulos ao preparar texto extraído para que a resposta possa remeter para o original. Um URL de documento, texto extraído e elementos de prova em imagem têm requisitos de preparação diferentes; escolha o formato de entrada suportado pela aplicação utilizada.\n\nProgramação e assistência quotidiana\n\nA Mistral destina Large 3 tanto a apoio à programação como a conversa diária. Forneça as funções relevantes, o comportamento esperado e a falha observada. Por exemplo: «Este analisador perde o último campo quando a entrada termina sem mudança de linha. Explique o ramo que falha, proponha a menor alteração e devolva a função corrigida com três exemplos representativos de entrada e saída.» O resultado útil é uma alteração proposta ligada ao código efetivo e um conjunto de casos que o programador pode executar.\n\nPara um rascunho empresarial, forneça os factos e o artefacto pretendido em conjunto. Um pedido para transformar notas de reunião num memorando de decisão deve identificar a decisão, as alternativas, as hipóteses por resolver e a próxima ação. Peça ao modelo que separe factos das fontes e recomendações e que assinale informação em falta na secção adequada. Assim, a saída é mais fácil de rever do que uma narrativa indiferenciada.\n\nFerramentas e resultados estruturados\n\nAs chamadas nativas de funções permitem ao modelo escolher uma função fornecida e preparar os argumentos. A aplicação executa-a e devolve o resultado; o modelo usa depois a informação devolvida na resposta. Mantenha as ferramentas específicas e disponibilize apenas as necessárias à tarefa. Um assistente de consulta de existências pode receber uma referência de produto, pedir uma consulta de stock e explicar a quantidade e o armazém devolvidos. Valide a função selecionada e os argumentos antes de executar o pedido e conserve a resposta da ferramenta junto da resposta final.\n\nPara extração, especifique os campos, os tipos e o tratamento dos valores em falta. A Mistral documenta o modo JSON e saída estruturada personalizada; o modo JSON exige uma instrução explícita para devolver JSON, enquanto um esquema personalizado fornece um controlo de formato mais forte. Um resumo de fatura pode pedir fornecedor, número de fatura, data de vencimento, moeda e linhas de artigos, representando consistentemente os valores em falta. Inspecione os valores extraídos face ao documento, mesmo quando a resposta corresponde à estrutura pedida.\n\nDefinições e diferenças entre edições\n\nDefina o papel, a tarefa e as regras das ferramentas nas instruções de sistema. A Mistral recomenda uma temperatura inferior a 0,1 para utilização em produção e quotidiana deste ponto de controlo, podendo explorar-se valores superiores em tarefas criativas. Separe pedidos de ideias variadas de pedidos de extração reproduzível: dê ao primeiro espaço para alternativas e ao segundo campos explícitos e restrições de fonte.\n\nEsta edição de instruções é distinta do ponto de controlo base Large 3 e de modelos de raciocínio dedicados. O fabricante identifica o raciocínio rigoroso e o trabalho visual especializado como áreas em que pode ser preferível um modelo concebido especificamente para essas tarefas. Para um cálculo difícil, forneça as hipóteses e unidades, peça verificações intermédias e use uma ferramenta de cálculo disponível para confirmar o resultado. Para elementos de prova visuais densos, prepare regiões legíveis e compare a resposta com a fonte antes de a usar num relatório.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "199d76de3dc8e053d7ca7fd586eb1a3f1a39fef0c9ef7ac4d4c81f2b40557cd1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "mistralai/mistral-large-2512:batchMistral Large 3 2512 é um modelo multilingue de texto e imagem para documentos longos, conhecimento empresarial, programação e trabalho assistido por ferramentas. O contexto de 256k, as chamadas nativas de funções e a saída estruturada ajudam a transformar os elementos de prova fornecidos em respostas, registos e ações propostas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Mistral Large 3 2512 é a edição da Mistral AI ajustada para seguir instruções, destinada a conversa geral, compreensão visual e trabalho empresarial. A arquitetura esparsa de mistura de especialistas tem 675 mil milhões de parâmetros no total, dos quais 41 mil milhões ativos, e uma janela de contexto de 256k. Texto e imagens podem contribuir para a mesma tarefa, enquanto a resposta é texto, código ou um resultado estruturado.
Capacidades e preparação das entradas
O modelo combina uma componente linguística com um codificador visual. Atribua à imagem um papel claro: uma página a ler, um diagrama a interpretar ou um ecrã a explicar. Para um ecrã com muitos elementos, forneça um recorte com os controlos relevantes e preserve as etiquetas envolventes necessárias à sua compreensão. A Mistral recomenda formatos de imagem próximos do quadrado; divida uma fonte excecionalmente estreita ou larga em regiões úteis, em vez de reduzir detalhes importantes a uma faixa ilegível.
O fabricante enumera conversa multilingue em dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Indique a língua de saída, o leitor pretendido e a terminologia a preservar. Para um artigo de apoio, peça uma explicação localizada com os nomes dos produtos inalterados e uma lista curta de traduções incertas a resolver antes da publicação.
Documentos longos e conhecimento empresarial
Use o contexto para reunir material relacionado: texto de políticas, uma especificação, decisões existentes e a pergunta que precisa de resposta. Identifique cada fonte e a sua revisão. Um pedido útil é: «Compare estas três políticas de integração. Devolva uma tabela de requisitos comuns, conflitos e perguntas sem resposta, com a secção de origem de cada conclusão.» O artefacto resultante é uma comparação fundamentada nos trechos fornecidos, em vez de um resumo genérico do tema.
Para uma pergunta documental, identifique o nível de detalhe pretendido e peça o trecho de apoio junto da conclusão. O fluxo Document QnA da Mistral extrai primeiro texto e estrutura documental com OCR e usa depois um modelo de linguagem para interpretar esse material. Preserve números de página e títulos ao preparar texto extraído para que a resposta possa remeter para o original. Um URL de documento, texto extraído e elementos de prova em imagem têm requisitos de preparação diferentes; escolha o formato de entrada suportado pela aplicação utilizada.
Programação e assistência quotidiana
A Mistral destina Large 3 tanto a apoio à programação como a conversa diária. Forneça as funções relevantes, o comportamento esperado e a falha observada. Por exemplo: «Este analisador perde o último campo quando a entrada termina sem mudança de linha. Explique o ramo que falha, proponha a menor alteração e devolva a função corrigida com três exemplos representativos de entrada e saída.» O resultado útil é uma alteração proposta ligada ao código efetivo e um conjunto de casos que o programador pode executar.
Para um rascunho empresarial, forneça os factos e o artefacto pretendido em conjunto. Um pedido para transformar notas de reunião num memorando de decisão deve identificar a decisão, as alternativas, as hipóteses por resolver e a próxima ação. Peça ao modelo que separe factos das fontes e recomendações e que assinale informação em falta na secção adequada. Assim, a saída é mais fácil de rever do que uma narrativa indiferenciada.
Ferramentas e resultados estruturados
As chamadas nativas de funções permitem ao modelo escolher uma função fornecida e preparar os argumentos. A aplicação executa-a e devolve o resultado; o modelo usa depois a informação devolvida na resposta. Mantenha as ferramentas específicas e disponibilize apenas as necessárias à tarefa. Um assistente de consulta de existências pode receber uma referência de produto, pedir uma consulta de stock e explicar a quantidade e o armazém devolvidos. Valide a função selecionada e os argumentos antes de executar o pedido e conserve a resposta da ferramenta junto da resposta final.
Para extração, especifique os campos, os tipos e o tratamento dos valores em falta. A Mistral documenta o modo JSON e saída estruturada personalizada; o modo JSON exige uma instrução explícita para devolver JSON, enquanto um esquema personalizado fornece um controlo de formato mais forte. Um resumo de fatura pode pedir fornecedor, número de fatura, data de vencimento, moeda e linhas de artigos, representando consistentemente os valores em falta. Inspecione os valores extraídos face ao documento, mesmo quando a resposta corresponde à estrutura pedida.
Definições e diferenças entre edições
Defina o papel, a tarefa e as regras das ferramentas nas instruções de sistema. A Mistral recomenda uma temperatura inferior a 0,1 para utilização em produção e quotidiana deste ponto de controlo, podendo explorar-se valores superiores em tarefas criativas. Separe pedidos de ideias variadas de pedidos de extração reproduzível: dê ao primeiro espaço para alternativas e ao segundo campos explícitos e restrições de fonte.
Esta edição de instruções é distinta do ponto de controlo base Large 3 e de modelos de raciocínio dedicados. O fabricante identifica o raciocínio rigoroso e o trabalho visual especializado como áreas em que pode ser preferível um modelo concebido especificamente para essas tarefas. Para um cálculo difícil, forneça as hipóteses e unidades, peça verificações intermédias e use uma ferramenta de cálculo disponível para confirmar o resultado. Para elementos de prova visuais densos, prepare regiões legíveis e compare a resposta com a fonte antes de a usar num relatório.
POST /v1/batchestexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campoendpoint | Tipostring | RequisitoObrigatório | Valores e limites /v1/chat/completions | Predefinição— |
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/mistral-large-2512:batch | Predefinição— |
Camporequests | Tipobatch_item[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Camporequests[].custom_id | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Camporequests[].body.messages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campocompletion_window | Tipostring | RequisitoOpcional | Valores e limites 24h | Predefinição— |
Campoprovider | Tipoobject|null | RequisitoOpcional | Valores e limites | Predefinição— |
Camporequests[].body.model | Tipostring | RequisitoOpcional | Valores e limites mistralai/mistral-large-2512:batch, mistralai/mistral-large-2512 | Predefinição— |
Campoprovider.only | Tipostring[] | RequisitoOpcional | Valores e limites mistral | Predefinição— |
Campoprovider.allow_fallbacks | Tipoboolean|null | RequisitoOpcional | Valores e limites false, null | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratoendpoint, model, requests |
Parâmetromaterial_types | Contratotext |
Parâmetrorepresentation | Contratorequests[] em linha; cada item tem custom_id e body |
Parâmetrorequest_endpoint_profile | Contrato/v1/chat/completions |
Parâmetrofile_material | ContratoQuem faz a chamada pode ler localmente o conteúdo JSONL UTF-8 efetivo para requests[]. Não é utilizada qualquer finalidade de carregamento, input_file_id ou referência a ficheiro. Se o material do cliente estiver em falta ou vazio, a preparação é interrompida antes do POST. |
Parâmetroserialization_order | Contratoendpoint, model, provider (se fornecido), completion_window (se fornecido), requests em último lugar |
Parâmetrooptional_controls | Contratoprovider.only, provider.allow_fallbacks, completion_window |
Parâmetroschema_scope | ContratoCorpos de pedidos de texto de Chat Completions na estrutura de lote em linha documentada. |
Ciclo de vida: asynchronous
GET /v1/batches/{operation_id} · response.id efetivo da resposta original de criação; mesmo utilizador/chave/grupo
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0005 / 1K tokens Saída · Tokens de saída $0.0015 / 1K tokens Entrada · Leitura da cache $0.00005 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0005 / 1K tokens Saída · Tokens de saída $0.0015 / 1K tokens Entrada · Leitura da cache $0.00005 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json\nfrom pathlib import Path\nbody=json.loads('{"endpoint":"/v1/chat/completions","model":"mistralai/mistral-large-2512:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/mistral-large-2512:batch', 'mistralai/mistral-large-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-large-2512:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON em linha de results[].response.body
GET /v1/batches/{operation_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nBATCH_OPERATION_ID="$(python3 - <<'PY_ID'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nresponse = json.loads(Path("batch-create-response.json").read_text(encoding="utf-8"))\noperation = response.get("id")\nif not isinstance(operation, str) or not operation: raise SystemExit("No actual original operation ID; preserve the response and do not resubmit")\nprint(quote(operation, safe=""))\nPY_ID\n)"\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/batches/$BATCH_OPERATION_ID" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o batch-status-response.json\nGuarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve o JSON completo do estado original, todos os resultados/custom_id e o corpo completo da resposta ou do erro. Guarde os results[] concluídos em formato JSONL, sem filtrar.
Preserve o ID original da operação. A resposta 503 result_pending_check inclui X-Should-Retry:false; nunca volte a enviar um lote original de estado desconhecido.
| Campo | Tipo |
|---|---|
Camporesults[].custom_id | Tipostring |
Camporesults[].response.body.choices[].message.content | Tipostring|null |
Camporesults[].error | Tipoobject|null |
Campousage | Tipoobject|null |
Campoid | Tipostring |
Campomodel | Tipostring |
Campoendpoint | Tipostring |
Campostatus | Tipostring |
Camporequest_counts | Tipoobject |
Camporesults[].id | Tipostring |
Camporesults[].response.status_code | Tipointeger |
Camporesults[].response.request_id | Tipostring |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoEstrutura em linha documentada inválida, chaves duplicadas, identidade do item inválida ou conflito com as capacidades configuradas do modelo. | Passo seguinteCorrija os campos indicados antes de qualquer novo envio. |
Resposta401 · authentication_error | CondiçãoChave de API inválida. | Passo seguinteUse a chave Ailoot autorizada. |
Resposta403 · permission_error | CondiçãoGrupo de processamento em lote indisponível. | Passo seguinteVerifique os direitos de acesso da chave/do grupo. |
Resposta422 · invalid_request_error | CondiçãoO processamento em lote usa faturação por débito do saldo; a criação com subscrição é rejeitada. | Passo seguinteUse o grupo autorizado com faturação por débito do saldo. |
Resposta422 · price_unavailable | CondiçãoNão é possível calcular uma estimativa de preço para os dados de entrada do lote. | Passo seguinteConserve a resposta; use os dados de entrada documentados para a família. |
Resposta402 · billing_error | CondiçãoReserva para processamento em lote indisponível. | Passo seguinteResolva a questão da admissão antes de um novo pedido. |
Resposta503 · price_unavailable | CondiçãoPreço do método de processamento em lote/tarifas nativas indisponíveis. | Passo seguinteConserve a resposta; não substitua os preços. |
Resposta503 · api_error | CondiçãoA rota exata do fornecedor está indisponível. | Passo seguinteConserve a resposta para corrigir a rota. |
Resposta503 · result_pending_check | CondiçãoO resultado original requer verificação; X-Should-Retry:false. | Passo seguinteGuarde o operation_id/id original e consulte o respetivo estado; nunca repita o POST original. |
Resposta404 · not_found | CondiçãoA operação de consulta do estado do lote não existe ou pertence a outra identidade. | Passo seguinteUse o id original exato e o mesmo utilizador/chave/grupo. |
Ailoot Ultra mistralai/mistral-large-2512:batch
Use os caminhos dos métodos indicados acima.