Mistral Large 4 é o modelo multimodal de uso geral da Mistral AI que combina seguimento de instruções, raciocínio, programação e trabalho com agentes. Aceita texto e imagens e produz texto, incluindo explicações, código e campos estruturados. A arquitetura granular de mistura de especialistas usa componentes selecionadas para cada token, em vez de ativar todo o conjunto de parâmetros de uma vez.
Arquitetura e contexto
A página atual do modelo indica 1,05 biliões de parâmetros no total, 52 mil milhões de parâmetros ativos e um codificador visual com 1,6 mil milhões de parâmetros. A página de lançamento do fabricante esclarece a convenção de contagem: 49 mil milhões de parâmetros ativos por token, ou 52 mil milhões incluindo embeddings e camadas de saída. Estes valores descrevem a estrutura do modelo, não a extensão de uma resposta.
O fabricante documenta uma janela de contexto de um milhão de tokens. Use-a para reunir material de origem substancial, a conversa e as instruções, definindo a finalidade do artefacto final. Numa pergunta sobre vários documentos, identifique cada documento e o seu papel e peça a localização da fonte junto de cada conclusão. Um contexto grande é útil quando requisitos, diagramas e explicações relacionadas têm de ser considerados em conjunto.
Respostas estruturadas e perguntas sobre documentos
A ficha do modelo enumera saídas estruturadas, chamadas de funções, perguntas sobre documentos, prefixos de resposta, submissão em lote e conversas com agentes. A documentação de saída estruturada da Mistral distingue o modo JSON de um esquema personalizado. Especifique o formato JSON obrigatório no prompt; use um esquema definido quando a interface ligada precisar de uma estrutura de campos concreta. Um registo pode separar factos das fontes, interpretações e questões em aberto, em vez de os combinar num único parágrafo.
As perguntas sobre documentos são um fluxo que combina processamento documental com compreensão do modelo de linguagem. O OCR prepara o texto, a estrutura e a formatação, após o que o modelo responde a uma pergunta sobre esse material. Um pedido pode localizar um requisito, comparar afirmações entre documentos ou resumir os elementos de prova relevantes para uma decisão. A compreensão direta de imagens e um fluxo documental assistido por OCR são formas relacionadas de preparar os elementos de prova; a etapa de processamento documental continua a ser distinta de uma entrada de imagem.
Por exemplo, forneça uma especificação técnica e desenhos, identifique a revisão em análise e peça uma matriz de requisitos. Cada linha pode conter o requisito, o documento ou desenho de apoio, a diferença observada e o esclarecimento ainda necessário. Retenha etiquetas, unidades e regiões de imagem que determinam a comparação, para que o resultado permaneça ligado ao material de origem.
Programação, agentes e raciocínio visual
O lançamento descreve análise de cibersegurança, engenharia de software, compreensão de repositórios e fluxos orientados para terminal. Para uma revisão defensiva de código, forneça o percurso relevante, o comportamento esperado e os elementos de prova da falha. Peça a causa, uma correção proposta e exemplos que distingam o comportamento antigo do pretendido. Para uma pergunta sobre o repositório, inclua os módulos e as relações de chamada necessários para explicar o comportamento selecionado.
As chamadas de funções ligam o raciocínio às ferramentas fornecidas pela aplicação. A sequência do fabricante define as funções, fornece a pergunta do utilizador, deixa o modelo preparar os argumentos, executa a função escolhida na aplicação e devolve o seu resultado para a resposta seguinte. Uma chamada proposta é distinta da execução. A ficha enumera também ferramentas incorporadas na interface de agentes e conversas do fabricante; pertencem a esse fluxo ligado e não acrescentam uma nova modalidade de entrada ou saída ao modelo.
A compreensão visual inclui documentos, gráficos, cenas naturais e desenhos de engenharia. Uma tarefa sobre desenhos pode perguntar que componente identificada satisfaz um requisito fornecido, que dimensão ou anotação sustenta a conclusão e que região exige inspeção mais detalhada. Os exemplos de agentes visuais do lançamento combinam interpretação com passos de inspeção; ampliar, recuperar informação e executar outras ações exige o ambiente de ferramentas envolvente.
Ciência, matemática e resultados profissionais
O fabricante descreve programação científica, análise de dados, modelação e raciocínio matemático entre as aplicações previstas. Forneça equações, hipóteses, unidades e o formato exigido para o resultado. Um pedido de programação científica pode solicitar uma implementação, o significado de cada variável e um plano para comparar a saída com condições de referência. Produzir essa implementação é um resultado textual; executar a simulação ou criar um ficheiro exige o ambiente da aplicação.
Para trabalho documental profissional, forneça os relatórios de origem e defina o artefacto: uma tabela comparativa, uma explicação, um trecho revisto ou conteúdo para folha de cálculo. Indique a base de cálculo e preserve as localizações dos documentos de apoio. O lançamento descreve também treino multilingue em mais de 160 línguas, incluindo todas as línguas oficiais da União Europeia; identifique a língua de saída e a terminologia exigidas ao preparar uma tarefa multilingue.
Limites úteis
As modalidades documentadas são entradas de texto e imagem com saída textual. O contexto de um milhão de tokens do fabricante não constitui uma especificação separada do comprimento máximo de resposta, e as fontes lidas não estabelecem um limite rígido de saída independente para esta entrada. Mantenha explícitos a edição exata Large 4, os elementos de prova preparados e as ferramentas ligadas. Um registo estruturado, uma explicação ou uma ação proposta são mais úteis quando os campos, as fontes de apoio e o próximo passo da aplicação estão definidos antes do pedido.
", "aboutText": "Mistral Large 4 é o modelo multimodal de uso geral da Mistral AI que combina seguimento de instruções, raciocínio, programação e trabalho com agentes. Aceita texto e imagens e produz texto, incluindo explicações, código e campos estruturados. A arquitetura granular de mistura de especialistas usa componentes selecionadas para cada token, em vez de ativar todo o conjunto de parâmetros de uma vez.\n\nArquitetura e contexto\n\nA página atual do modelo indica 1,05 biliões de parâmetros no total, 52 mil milhões de parâmetros ativos e um codificador visual com 1,6 mil milhões de parâmetros. A página de lançamento do fabricante esclarece a convenção de contagem: 49 mil milhões de parâmetros ativos por token, ou 52 mil milhões incluindo embeddings e camadas de saída. Estes valores descrevem a estrutura do modelo, não a extensão de uma resposta.\n\nO fabricante documenta uma janela de contexto de um milhão de tokens. Use-a para reunir material de origem substancial, a conversa e as instruções, definindo a finalidade do artefacto final. Numa pergunta sobre vários documentos, identifique cada documento e o seu papel e peça a localização da fonte junto de cada conclusão. Um contexto grande é útil quando requisitos, diagramas e explicações relacionadas têm de ser considerados em conjunto.\n\nRespostas estruturadas e perguntas sobre documentos\n\nA ficha do modelo enumera saídas estruturadas, chamadas de funções, perguntas sobre documentos, prefixos de resposta, submissão em lote e conversas com agentes. A documentação de saída estruturada da Mistral distingue o modo JSON de um esquema personalizado. Especifique o formato JSON obrigatório no prompt; use um esquema definido quando a interface ligada precisar de uma estrutura de campos concreta. Um registo pode separar factos das fontes, interpretações e questões em aberto, em vez de os combinar num único parágrafo.\n\nAs perguntas sobre documentos são um fluxo que combina processamento documental com compreensão do modelo de linguagem. O OCR prepara o texto, a estrutura e a formatação, após o que o modelo responde a uma pergunta sobre esse material. Um pedido pode localizar um requisito, comparar afirmações entre documentos ou resumir os elementos de prova relevantes para uma decisão. A compreensão direta de imagens e um fluxo documental assistido por OCR são formas relacionadas de preparar os elementos de prova; a etapa de processamento documental continua a ser distinta de uma entrada de imagem.\n\nPor exemplo, forneça uma especificação técnica e desenhos, identifique a revisão em análise e peça uma matriz de requisitos. Cada linha pode conter o requisito, o documento ou desenho de apoio, a diferença observada e o esclarecimento ainda necessário. Retenha etiquetas, unidades e regiões de imagem que determinam a comparação, para que o resultado permaneça ligado ao material de origem.\n\nProgramação, agentes e raciocínio visual\n\nO lançamento descreve análise de cibersegurança, engenharia de software, compreensão de repositórios e fluxos orientados para terminal. Para uma revisão defensiva de código, forneça o percurso relevante, o comportamento esperado e os elementos de prova da falha. Peça a causa, uma correção proposta e exemplos que distingam o comportamento antigo do pretendido. Para uma pergunta sobre o repositório, inclua os módulos e as relações de chamada necessários para explicar o comportamento selecionado.\n\nAs chamadas de funções ligam o raciocínio às ferramentas fornecidas pela aplicação. A sequência do fabricante define as funções, fornece a pergunta do utilizador, deixa o modelo preparar os argumentos, executa a função escolhida na aplicação e devolve o seu resultado para a resposta seguinte. Uma chamada proposta é distinta da execução. A ficha enumera também ferramentas incorporadas na interface de agentes e conversas do fabricante; pertencem a esse fluxo ligado e não acrescentam uma nova modalidade de entrada ou saída ao modelo.\n\nA compreensão visual inclui documentos, gráficos, cenas naturais e desenhos de engenharia. Uma tarefa sobre desenhos pode perguntar que componente identificada satisfaz um requisito fornecido, que dimensão ou anotação sustenta a conclusão e que região exige inspeção mais detalhada. Os exemplos de agentes visuais do lançamento combinam interpretação com passos de inspeção; ampliar, recuperar informação e executar outras ações exige o ambiente de ferramentas envolvente.\n\nCiência, matemática e resultados profissionais\n\nO fabricante descreve programação científica, análise de dados, modelação e raciocínio matemático entre as aplicações previstas. Forneça equações, hipóteses, unidades e o formato exigido para o resultado. Um pedido de programação científica pode solicitar uma implementação, o significado de cada variável e um plano para comparar a saída com condições de referência. Produzir essa implementação é um resultado textual; executar a simulação ou criar um ficheiro exige o ambiente da aplicação.\n\nPara trabalho documental profissional, forneça os relatórios de origem e defina o artefacto: uma tabela comparativa, uma explicação, um trecho revisto ou conteúdo para folha de cálculo. Indique a base de cálculo e preserve as localizações dos documentos de apoio. O lançamento descreve também treino multilingue em mais de 160 línguas, incluindo todas as línguas oficiais da União Europeia; identifique a língua de saída e a terminologia exigidas ao preparar uma tarefa multilingue.\n\nLimites úteis\n\nAs modalidades documentadas são entradas de texto e imagem com saída textual. O contexto de um milhão de tokens do fabricante não constitui uma especificação separada do comprimento máximo de resposta, e as fontes lidas não estabelecem um limite rígido de saída independente para esta entrada. Mantenha explícitos a edição exata Large 4, os elementos de prova preparados e as ferramentas ligadas. Um registo estruturado, uma explicação ou uma ação proposta são mais úteis quando os campos, as fontes de apoio e o próximo passo da aplicação estão definidos antes do pedido.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 é um modelo de texto e imagem para raciocínio, programação, análise documental e agentes com ferramentas. O contexto de um milhão de tokens indicado pelo fabricante suporta grandes conjuntos de fontes, com respostas estruturadas, chamadas de funções e uma arquitetura granular de mistura de especialistas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Mistral Large 4 é o modelo multimodal de uso geral da Mistral AI que combina seguimento de instruções, raciocínio, programação e trabalho com agentes. Aceita texto e imagens e produz texto, incluindo explicações, código e campos estruturados. A arquitetura granular de mistura de especialistas usa componentes selecionadas para cada token, em vez de ativar todo o conjunto de parâmetros de uma vez.
Arquitetura e contexto
A página atual do modelo indica 1,05 biliões de parâmetros no total, 52 mil milhões de parâmetros ativos e um codificador visual com 1,6 mil milhões de parâmetros. A página de lançamento do fabricante esclarece a convenção de contagem: 49 mil milhões de parâmetros ativos por token, ou 52 mil milhões incluindo embeddings e camadas de saída. Estes valores descrevem a estrutura do modelo, não a extensão de uma resposta.
O fabricante documenta uma janela de contexto de um milhão de tokens. Use-a para reunir material de origem substancial, a conversa e as instruções, definindo a finalidade do artefacto final. Numa pergunta sobre vários documentos, identifique cada documento e o seu papel e peça a localização da fonte junto de cada conclusão. Um contexto grande é útil quando requisitos, diagramas e explicações relacionadas têm de ser considerados em conjunto.
Respostas estruturadas e perguntas sobre documentos
A ficha do modelo enumera saídas estruturadas, chamadas de funções, perguntas sobre documentos, prefixos de resposta, submissão em lote e conversas com agentes. A documentação de saída estruturada da Mistral distingue o modo JSON de um esquema personalizado. Especifique o formato JSON obrigatório no prompt; use um esquema definido quando a interface ligada precisar de uma estrutura de campos concreta. Um registo pode separar factos das fontes, interpretações e questões em aberto, em vez de os combinar num único parágrafo.
As perguntas sobre documentos são um fluxo que combina processamento documental com compreensão do modelo de linguagem. O OCR prepara o texto, a estrutura e a formatação, após o que o modelo responde a uma pergunta sobre esse material. Um pedido pode localizar um requisito, comparar afirmações entre documentos ou resumir os elementos de prova relevantes para uma decisão. A compreensão direta de imagens e um fluxo documental assistido por OCR são formas relacionadas de preparar os elementos de prova; a etapa de processamento documental continua a ser distinta de uma entrada de imagem.
Por exemplo, forneça uma especificação técnica e desenhos, identifique a revisão em análise e peça uma matriz de requisitos. Cada linha pode conter o requisito, o documento ou desenho de apoio, a diferença observada e o esclarecimento ainda necessário. Retenha etiquetas, unidades e regiões de imagem que determinam a comparação, para que o resultado permaneça ligado ao material de origem.
Programação, agentes e raciocínio visual
O lançamento descreve análise de cibersegurança, engenharia de software, compreensão de repositórios e fluxos orientados para terminal. Para uma revisão defensiva de código, forneça o percurso relevante, o comportamento esperado e os elementos de prova da falha. Peça a causa, uma correção proposta e exemplos que distingam o comportamento antigo do pretendido. Para uma pergunta sobre o repositório, inclua os módulos e as relações de chamada necessários para explicar o comportamento selecionado.
As chamadas de funções ligam o raciocínio às ferramentas fornecidas pela aplicação. A sequência do fabricante define as funções, fornece a pergunta do utilizador, deixa o modelo preparar os argumentos, executa a função escolhida na aplicação e devolve o seu resultado para a resposta seguinte. Uma chamada proposta é distinta da execução. A ficha enumera também ferramentas incorporadas na interface de agentes e conversas do fabricante; pertencem a esse fluxo ligado e não acrescentam uma nova modalidade de entrada ou saída ao modelo.
A compreensão visual inclui documentos, gráficos, cenas naturais e desenhos de engenharia. Uma tarefa sobre desenhos pode perguntar que componente identificada satisfaz um requisito fornecido, que dimensão ou anotação sustenta a conclusão e que região exige inspeção mais detalhada. Os exemplos de agentes visuais do lançamento combinam interpretação com passos de inspeção; ampliar, recuperar informação e executar outras ações exige o ambiente de ferramentas envolvente.
Ciência, matemática e resultados profissionais
O fabricante descreve programação científica, análise de dados, modelação e raciocínio matemático entre as aplicações previstas. Forneça equações, hipóteses, unidades e o formato exigido para o resultado. Um pedido de programação científica pode solicitar uma implementação, o significado de cada variável e um plano para comparar a saída com condições de referência. Produzir essa implementação é um resultado textual; executar a simulação ou criar um ficheiro exige o ambiente da aplicação.
Para trabalho documental profissional, forneça os relatórios de origem e defina o artefacto: uma tabela comparativa, uma explicação, um trecho revisto ou conteúdo para folha de cálculo. Indique a base de cálculo e preserve as localizações dos documentos de apoio. O lançamento descreve também treino multilingue em mais de 160 línguas, incluindo todas as línguas oficiais da União Europeia; identifique a língua de saída e a terminologia exigidas ao preparar uma tarefa multilingue.
Limites úteis
As modalidades documentadas são entradas de texto e imagem com saída textual. O contexto de um milhão de tokens do fabricante não constitui uma especificação separada do comprimento máximo de resposta, e as fontes lidas não estabelecem um limite rígido de saída independente para esta entrada. Mantenha explícitos a edição exata Large 4, os elementos de prova preparados e as ferramentas ligadas. Um registo estruturado, uma explicação ou uma ação proposta são mais úteis quando os campos, as fontes de apoio e o próximo passo da aplicação estão definidos antes do pedido.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/mistral-large-4-0 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
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 $0.00272 / 1K tokens Saída · Tokens de saída $0.00836 / 1K tokens Entrada · Leitura da cache $0.00028 / 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 $0.00272 / 1K tokens Saída · Tokens de saída $0.00836 / 1K tokens Entrada · Leitura da cache $0.00028 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra mistralai/mistral-large-4-0
Use os caminhos dos métodos indicados acima.
mistralai/mistral-large-4-0Mistral Large 4 é um modelo de texto e imagem para raciocínio, programação, análise documental e agentes com ferramentas. O contexto de um milhão de tokens indicado pelo fabricante suporta grandes conjuntos de fontes, com respostas estruturadas, chamadas de funções e uma arquitetura granular de mistura de especialistas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Mistral Large 4 é o modelo multimodal de uso geral da Mistral AI que combina seguimento de instruções, raciocínio, programação e trabalho com agentes. Aceita texto e imagens e produz texto, incluindo explicações, código e campos estruturados. A arquitetura granular de mistura de especialistas usa componentes selecionadas para cada token, em vez de ativar todo o conjunto de parâmetros de uma vez.
Arquitetura e contexto
A página atual do modelo indica 1,05 biliões de parâmetros no total, 52 mil milhões de parâmetros ativos e um codificador visual com 1,6 mil milhões de parâmetros. A página de lançamento do fabricante esclarece a convenção de contagem: 49 mil milhões de parâmetros ativos por token, ou 52 mil milhões incluindo embeddings e camadas de saída. Estes valores descrevem a estrutura do modelo, não a extensão de uma resposta.
O fabricante documenta uma janela de contexto de um milhão de tokens. Use-a para reunir material de origem substancial, a conversa e as instruções, definindo a finalidade do artefacto final. Numa pergunta sobre vários documentos, identifique cada documento e o seu papel e peça a localização da fonte junto de cada conclusão. Um contexto grande é útil quando requisitos, diagramas e explicações relacionadas têm de ser considerados em conjunto.
Respostas estruturadas e perguntas sobre documentos
A ficha do modelo enumera saídas estruturadas, chamadas de funções, perguntas sobre documentos, prefixos de resposta, submissão em lote e conversas com agentes. A documentação de saída estruturada da Mistral distingue o modo JSON de um esquema personalizado. Especifique o formato JSON obrigatório no prompt; use um esquema definido quando a interface ligada precisar de uma estrutura de campos concreta. Um registo pode separar factos das fontes, interpretações e questões em aberto, em vez de os combinar num único parágrafo.
As perguntas sobre documentos são um fluxo que combina processamento documental com compreensão do modelo de linguagem. O OCR prepara o texto, a estrutura e a formatação, após o que o modelo responde a uma pergunta sobre esse material. Um pedido pode localizar um requisito, comparar afirmações entre documentos ou resumir os elementos de prova relevantes para uma decisão. A compreensão direta de imagens e um fluxo documental assistido por OCR são formas relacionadas de preparar os elementos de prova; a etapa de processamento documental continua a ser distinta de uma entrada de imagem.
Por exemplo, forneça uma especificação técnica e desenhos, identifique a revisão em análise e peça uma matriz de requisitos. Cada linha pode conter o requisito, o documento ou desenho de apoio, a diferença observada e o esclarecimento ainda necessário. Retenha etiquetas, unidades e regiões de imagem que determinam a comparação, para que o resultado permaneça ligado ao material de origem.
Programação, agentes e raciocínio visual
O lançamento descreve análise de cibersegurança, engenharia de software, compreensão de repositórios e fluxos orientados para terminal. Para uma revisão defensiva de código, forneça o percurso relevante, o comportamento esperado e os elementos de prova da falha. Peça a causa, uma correção proposta e exemplos que distingam o comportamento antigo do pretendido. Para uma pergunta sobre o repositório, inclua os módulos e as relações de chamada necessários para explicar o comportamento selecionado.
As chamadas de funções ligam o raciocínio às ferramentas fornecidas pela aplicação. A sequência do fabricante define as funções, fornece a pergunta do utilizador, deixa o modelo preparar os argumentos, executa a função escolhida na aplicação e devolve o seu resultado para a resposta seguinte. Uma chamada proposta é distinta da execução. A ficha enumera também ferramentas incorporadas na interface de agentes e conversas do fabricante; pertencem a esse fluxo ligado e não acrescentam uma nova modalidade de entrada ou saída ao modelo.
A compreensão visual inclui documentos, gráficos, cenas naturais e desenhos de engenharia. Uma tarefa sobre desenhos pode perguntar que componente identificada satisfaz um requisito fornecido, que dimensão ou anotação sustenta a conclusão e que região exige inspeção mais detalhada. Os exemplos de agentes visuais do lançamento combinam interpretação com passos de inspeção; ampliar, recuperar informação e executar outras ações exige o ambiente de ferramentas envolvente.
Ciência, matemática e resultados profissionais
O fabricante descreve programação científica, análise de dados, modelação e raciocínio matemático entre as aplicações previstas. Forneça equações, hipóteses, unidades e o formato exigido para o resultado. Um pedido de programação científica pode solicitar uma implementação, o significado de cada variável e um plano para comparar a saída com condições de referência. Produzir essa implementação é um resultado textual; executar a simulação ou criar um ficheiro exige o ambiente da aplicação.
Para trabalho documental profissional, forneça os relatórios de origem e defina o artefacto: uma tabela comparativa, uma explicação, um trecho revisto ou conteúdo para folha de cálculo. Indique a base de cálculo e preserve as localizações dos documentos de apoio. O lançamento descreve também treino multilingue em mais de 160 línguas, incluindo todas as línguas oficiais da União Europeia; identifique a língua de saída e a terminologia exigidas ao preparar uma tarefa multilingue.
Limites úteis
As modalidades documentadas são entradas de texto e imagem com saída textual. O contexto de um milhão de tokens do fabricante não constitui uma especificação separada do comprimento máximo de resposta, e as fontes lidas não estabelecem um limite rígido de saída independente para esta entrada. Mantenha explícitos a edição exata Large 4, os elementos de prova preparados e as ferramentas ligadas. Um registo estruturado, uma explicação ou uma ação proposta são mais úteis quando os campos, as fontes de apoio e o próximo passo da aplicação estão definidos antes do pedido.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/mistral-large-4-0 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
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 $0.00272 / 1K tokens Saída · Tokens de saída $0.00836 / 1K tokens Entrada · Leitura da cache $0.00028 / 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 $0.00272 / 1K tokens Saída · Tokens de saída $0.00836 / 1K tokens Entrada · Leitura da cache $0.00028 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra mistralai/mistral-large-4-0
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.