Mistral Medium 3.5 é o modelo denso de 128 mil milhões de parâmetros da Mistral AI que combina seguimento de instruções, raciocínio e programação num único conjunto de pesos. Recebe texto e imagens e devolve texto. O fabricante destina-o a tarefas com agentes e programação, embora o mesmo ponto de controlo possa produzir uma resposta direta de conversa ou usar o modo de raciocínio documentado para uma tarefa mais exigente.
Modelo unificado e capacidades visuais
A ficha publicada especifica 128 mil milhões de parâmetros densos e uma janela de contexto de 256k. O codificador visual é treinado para lidar com diferentes dimensões e proporções de imagem. As imagens podem fornecer elementos de prova para tarefas de programação ou documentos: uma captura de ecrã de uma interface, um diagrama que acompanha um requisito ou uma página com informação que o modelo deve interpretar. O resultado pode ser uma explicação escrita, código ou campos estruturados, em vez de uma imagem gerada.
O fabricante descreve suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Destaca também o cumprimento de instruções de sistema e chamadas nativas de funções com saída JSON. Defina o público, a língua e as regras de resposta separadamente do material examinado, para que a formulação de um documento de origem continue a servir como elemento de prova para a tarefa.
Definições de raciocínio
A ficha documenta dois valores de esforço de raciocínio por pedido. O valor none produz uma resposta orientada por instruções sem modo de raciocínio; high ativa o raciocínio e é recomendado para prompts complexos e programação com agentes. Trata-se de uma escolha de modo dentro do mesmo ponto de controlo Medium 3.5, e não de outra identidade de modelo.
Para esforço de raciocínio high, o fabricante recomenda temperature 0.7 e top-p 0.95. Para none, documenta temperaturas entre 0.0 e 0.7 conforme a tarefa e deixa top-p por definir ou em 1.0. São recomendações da versão. Escolha primeiro a finalidade da saída: uma extração concisa de campos, uma alteração de código com explicação ou uma comparação que exija várias decisões justificadas.
Uma tarefa prática de raciocínio pode fornecer um requisito, a implementação e a entrada que revela uma divergência. Peça ao modelo que identifique o percurso relevante, explique a discrepância e proponha a menor alteração que preserve a interface pública. Peça o código revisto separadamente das hipóteses e dos exemplos. O modelo gera uma proposta; compilar, executar e aplicar exigem o ambiente de desenvolvimento ligado ao agente.
Ferramentas, documentos e edições previsíveis
A ficha do serviço do fabricante enumera também saídas estruturadas, saídas previstas, perguntas sobre documentos, prefixos de resposta, processamento em lote e conversas com agentes. Para extração, defina os nomes dos campos, os tipos e o tratamento dos valores em falta. O modo JSON fornece uma representação estruturada, enquanto um esquema personalizado define um formato mais específico na interface ligada. Peça apenas o registo quando um programa o for analisar e uma explicação separada quando uma pessoa precisar de inspecionar a interpretação.
As perguntas sobre documentos combinam texto e estrutura preparados por OCR com a compreensão do modelo de linguagem. Para uma comparação, identifique os documentos e a condição a avaliar, pedindo depois cada conclusão com a localização da respetiva fonte. Uma saída útil pode separar requisitos comuns, divergências e questões em aberto. Perguntas diretas sobre imagens podem focar uma etiqueta de gráfico ou um elemento de interface; preservar títulos, unidades e papéis das imagens ajuda a manter a resposta ligada ao material fornecido.
As saídas previstas estão documentadas para tarefas em que grande parte da resposta pretendida já é conhecida, como regenerar um ficheiro de código ou documento com edições limitadas. Forneça o conteúdo existente e identifique a alteração específica, preservando as partes que devem permanecer. Isto difere de pedir um artefacto inteiramente novo ou de continuar a partir de um prefixo de resposta conhecido. As funcionalidades do serviço descrevem opções de submissão e formatação; não alteram as entradas de texto e imagem nem a saída textual do modelo.
Num fluxo assistido por ferramentas, a aplicação fornece descrições e parâmetros das funções, o modelo escolhe uma função e prepara argumentos, e a aplicação executa-a e devolve o resultado. Uma ferramenta de cálculo pode receber valores lidos de uma imagem fornecida, enquanto uma ferramenta de consulta pode fornecer a informação em falta para a resposta seguinte. Mantenha o resultado da ferramenta associado à operação que o produziu. O raciocínio com agentes depende desse ambiente, não de a geração de texto executar por si só ações externas.
Preparação de sessões longas
Use o contexto de 256k para código-fonte relacionado, documentos e histórico da conversa, mantendo explícito o objetivo efetivo. Uma sessão de programação pode reter o módulo, quem o chama e os requisitos, pedindo uma alteração definida. Uma sessão documental pode manter juntas as secções relevantes e devolver uma tabela curta ou um trecho revisto. A capacidade de contexto não especifica um comprimento máximo de resposta separado; o exemplo de geração de 1 024 tokens da ficha é uma ilustração, não esse limite.
O fabricante indica que uma configuração publicada anterior continha um erro de contexto longo e que este foi corrigido, incluindo a sua relevância para pontos de controlo derivados. Preserve a configuração corrigida da versão ao usar os pesos em sessões longas. Os modos híbridos e a arquitetura de 128 mil milhões de parâmetros do Medium 3.5 não devem ser atribuídos ao Medium 3.1 nem a um ponto de controlo de cabeça de previsão com nome próprio apenas por partilharem a família.
", "aboutText": "Mistral Medium 3.5 é o modelo denso de 128 mil milhões de parâmetros da Mistral AI que combina seguimento de instruções, raciocínio e programação num único conjunto de pesos. Recebe texto e imagens e devolve texto. O fabricante destina-o a tarefas com agentes e programação, embora o mesmo ponto de controlo possa produzir uma resposta direta de conversa ou usar o modo de raciocínio documentado para uma tarefa mais exigente.\n\nModelo unificado e capacidades visuais\n\nA ficha publicada especifica 128 mil milhões de parâmetros densos e uma janela de contexto de 256k. O codificador visual é treinado para lidar com diferentes dimensões e proporções de imagem. As imagens podem fornecer elementos de prova para tarefas de programação ou documentos: uma captura de ecrã de uma interface, um diagrama que acompanha um requisito ou uma página com informação que o modelo deve interpretar. O resultado pode ser uma explicação escrita, código ou campos estruturados, em vez de uma imagem gerada.\n\nO fabricante descreve suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Destaca também o cumprimento de instruções de sistema e chamadas nativas de funções com saída JSON. Defina o público, a língua e as regras de resposta separadamente do material examinado, para que a formulação de um documento de origem continue a servir como elemento de prova para a tarefa.\n\nDefinições de raciocínio\n\nA ficha documenta dois valores de esforço de raciocínio por pedido. O valor none produz uma resposta orientada por instruções sem modo de raciocínio; high ativa o raciocínio e é recomendado para prompts complexos e programação com agentes. Trata-se de uma escolha de modo dentro do mesmo ponto de controlo Medium 3.5, e não de outra identidade de modelo.\n\nPara esforço de raciocínio high, o fabricante recomenda temperature 0.7 e top-p 0.95. Para none, documenta temperaturas entre 0.0 e 0.7 conforme a tarefa e deixa top-p por definir ou em 1.0. São recomendações da versão. Escolha primeiro a finalidade da saída: uma extração concisa de campos, uma alteração de código com explicação ou uma comparação que exija várias decisões justificadas.\n\nUma tarefa prática de raciocínio pode fornecer um requisito, a implementação e a entrada que revela uma divergência. Peça ao modelo que identifique o percurso relevante, explique a discrepância e proponha a menor alteração que preserve a interface pública. Peça o código revisto separadamente das hipóteses e dos exemplos. O modelo gera uma proposta; compilar, executar e aplicar exigem o ambiente de desenvolvimento ligado ao agente.\n\nFerramentas, documentos e edições previsíveis\n\nA ficha do serviço do fabricante enumera também saídas estruturadas, saídas previstas, perguntas sobre documentos, prefixos de resposta, processamento em lote e conversas com agentes. Para extração, defina os nomes dos campos, os tipos e o tratamento dos valores em falta. O modo JSON fornece uma representação estruturada, enquanto um esquema personalizado define um formato mais específico na interface ligada. Peça apenas o registo quando um programa o for analisar e uma explicação separada quando uma pessoa precisar de inspecionar a interpretação.\n\nAs perguntas sobre documentos combinam texto e estrutura preparados por OCR com a compreensão do modelo de linguagem. Para uma comparação, identifique os documentos e a condição a avaliar, pedindo depois cada conclusão com a localização da respetiva fonte. Uma saída útil pode separar requisitos comuns, divergências e questões em aberto. Perguntas diretas sobre imagens podem focar uma etiqueta de gráfico ou um elemento de interface; preservar títulos, unidades e papéis das imagens ajuda a manter a resposta ligada ao material fornecido.\n\nAs saídas previstas estão documentadas para tarefas em que grande parte da resposta pretendida já é conhecida, como regenerar um ficheiro de código ou documento com edições limitadas. Forneça o conteúdo existente e identifique a alteração específica, preservando as partes que devem permanecer. Isto difere de pedir um artefacto inteiramente novo ou de continuar a partir de um prefixo de resposta conhecido. As funcionalidades do serviço descrevem opções de submissão e formatação; não alteram as entradas de texto e imagem nem a saída textual do modelo.\n\nNum fluxo assistido por ferramentas, a aplicação fornece descrições e parâmetros das funções, o modelo escolhe uma função e prepara argumentos, e a aplicação executa-a e devolve o resultado. Uma ferramenta de cálculo pode receber valores lidos de uma imagem fornecida, enquanto uma ferramenta de consulta pode fornecer a informação em falta para a resposta seguinte. Mantenha o resultado da ferramenta associado à operação que o produziu. O raciocínio com agentes depende desse ambiente, não de a geração de texto executar por si só ações externas.\n\nPreparação de sessões longas\n\nUse o contexto de 256k para código-fonte relacionado, documentos e histórico da conversa, mantendo explícito o objetivo efetivo. Uma sessão de programação pode reter o módulo, quem o chama e os requisitos, pedindo uma alteração definida. Uma sessão documental pode manter juntas as secções relevantes e devolver uma tabela curta ou um trecho revisto. A capacidade de contexto não especifica um comprimento máximo de resposta separado; o exemplo de geração de 1 024 tokens da ficha é uma ilustração, não esse limite.\n\nO fabricante indica que uma configuração publicada anterior continha um erro de contexto longo e que este foi corrigido, incluindo a sua relevância para pontos de controlo derivados. Preserve a configuração corrigida da versão ao usar os pesos em sessões longas. Os modos híbridos e a arquitetura de 128 mil milhões de parâmetros do Medium 3.5 não devem ser atribuídos ao Medium 3.1 nem a um ponto de controlo de cabeça de previsão com nome próprio apenas por partilharem a família.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "29c68b795a81cd3b3a598863448093cae76a4a45e29dd6afa90d0f2aaa622b9a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "mistralai/mistral-medium-3-5:batchMistral Medium 3.5 combina seguimento de instruções, raciocínio e programação num modelo denso de texto e imagem com 128 mil milhões de parâmetros. Tem um contexto de 256k indicado pelo fabricante, definições de raciocínio por pedido, chamadas nativas de funções e saída estruturada para fluxos documentais e com agentes.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Mistral Medium 3.5 é o modelo denso de 128 mil milhões de parâmetros da Mistral AI que combina seguimento de instruções, raciocínio e programação num único conjunto de pesos. Recebe texto e imagens e devolve texto. O fabricante destina-o a tarefas com agentes e programação, embora o mesmo ponto de controlo possa produzir uma resposta direta de conversa ou usar o modo de raciocínio documentado para uma tarefa mais exigente.
Modelo unificado e capacidades visuais
A ficha publicada especifica 128 mil milhões de parâmetros densos e uma janela de contexto de 256k. O codificador visual é treinado para lidar com diferentes dimensões e proporções de imagem. As imagens podem fornecer elementos de prova para tarefas de programação ou documentos: uma captura de ecrã de uma interface, um diagrama que acompanha um requisito ou uma página com informação que o modelo deve interpretar. O resultado pode ser uma explicação escrita, código ou campos estruturados, em vez de uma imagem gerada.
O fabricante descreve suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Destaca também o cumprimento de instruções de sistema e chamadas nativas de funções com saída JSON. Defina o público, a língua e as regras de resposta separadamente do material examinado, para que a formulação de um documento de origem continue a servir como elemento de prova para a tarefa.
Definições de raciocínio
A ficha documenta dois valores de esforço de raciocínio por pedido. O valor none produz uma resposta orientada por instruções sem modo de raciocínio; high ativa o raciocínio e é recomendado para prompts complexos e programação com agentes. Trata-se de uma escolha de modo dentro do mesmo ponto de controlo Medium 3.5, e não de outra identidade de modelo.
Para esforço de raciocínio high, o fabricante recomenda temperature 0.7 e top-p 0.95. Para none, documenta temperaturas entre 0.0 e 0.7 conforme a tarefa e deixa top-p por definir ou em 1.0. São recomendações da versão. Escolha primeiro a finalidade da saída: uma extração concisa de campos, uma alteração de código com explicação ou uma comparação que exija várias decisões justificadas.
Uma tarefa prática de raciocínio pode fornecer um requisito, a implementação e a entrada que revela uma divergência. Peça ao modelo que identifique o percurso relevante, explique a discrepância e proponha a menor alteração que preserve a interface pública. Peça o código revisto separadamente das hipóteses e dos exemplos. O modelo gera uma proposta; compilar, executar e aplicar exigem o ambiente de desenvolvimento ligado ao agente.
Ferramentas, documentos e edições previsíveis
A ficha do serviço do fabricante enumera também saídas estruturadas, saídas previstas, perguntas sobre documentos, prefixos de resposta, processamento em lote e conversas com agentes. Para extração, defina os nomes dos campos, os tipos e o tratamento dos valores em falta. O modo JSON fornece uma representação estruturada, enquanto um esquema personalizado define um formato mais específico na interface ligada. Peça apenas o registo quando um programa o for analisar e uma explicação separada quando uma pessoa precisar de inspecionar a interpretação.
As perguntas sobre documentos combinam texto e estrutura preparados por OCR com a compreensão do modelo de linguagem. Para uma comparação, identifique os documentos e a condição a avaliar, pedindo depois cada conclusão com a localização da respetiva fonte. Uma saída útil pode separar requisitos comuns, divergências e questões em aberto. Perguntas diretas sobre imagens podem focar uma etiqueta de gráfico ou um elemento de interface; preservar títulos, unidades e papéis das imagens ajuda a manter a resposta ligada ao material fornecido.
As saídas previstas estão documentadas para tarefas em que grande parte da resposta pretendida já é conhecida, como regenerar um ficheiro de código ou documento com edições limitadas. Forneça o conteúdo existente e identifique a alteração específica, preservando as partes que devem permanecer. Isto difere de pedir um artefacto inteiramente novo ou de continuar a partir de um prefixo de resposta conhecido. As funcionalidades do serviço descrevem opções de submissão e formatação; não alteram as entradas de texto e imagem nem a saída textual do modelo.
Num fluxo assistido por ferramentas, a aplicação fornece descrições e parâmetros das funções, o modelo escolhe uma função e prepara argumentos, e a aplicação executa-a e devolve o resultado. Uma ferramenta de cálculo pode receber valores lidos de uma imagem fornecida, enquanto uma ferramenta de consulta pode fornecer a informação em falta para a resposta seguinte. Mantenha o resultado da ferramenta associado à operação que o produziu. O raciocínio com agentes depende desse ambiente, não de a geração de texto executar por si só ações externas.
Preparação de sessões longas
Use o contexto de 256k para código-fonte relacionado, documentos e histórico da conversa, mantendo explícito o objetivo efetivo. Uma sessão de programação pode reter o módulo, quem o chama e os requisitos, pedindo uma alteração definida. Uma sessão documental pode manter juntas as secções relevantes e devolver uma tabela curta ou um trecho revisto. A capacidade de contexto não especifica um comprimento máximo de resposta separado; o exemplo de geração de 1 024 tokens da ficha é uma ilustração, não esse limite.
O fabricante indica que uma configuração publicada anterior continha um erro de contexto longo e que este foi corrigido, incluindo a sua relevância para pontos de controlo derivados. Preserve a configuração corrigida da versão ao usar os pesos em sessões longas. Os modos híbridos e a arquitetura de 128 mil milhões de parâmetros do Medium 3.5 não devem ser atribuídos ao Medium 3.1 nem a um ponto de controlo de cabeça de previsão com nome próprio apenas por partilharem a família.
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-medium-3-5: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-medium-3-5:batch, mistralai/mistral-medium-3-5 | 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 $0.0015 / 1K tokens Saída · Tokens de saída $0.0075 / 1K tokens Entrada · Leitura da cache — / 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 $0.0015 / 1K tokens Saída · Tokens de saída $0.0075 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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-medium-3-5: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-medium-3-5:batch', 'mistralai/mistral-medium-3-5']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-medium-3-5: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-medium-3-5:batch
Use os caminhos dos métodos indicados acima.