Mistral Medium 3 é o modelo multimodal da Mistral AI para trabalho profissional que envolve texto, compreensão visual e código. A versão original destaca tarefas de programação e de ciência, tecnologia, engenharia e matemática, juntamente com adaptação ao conhecimento e aos fluxos empresariais. Aceita material textual e visual e produz texto, incluindo uma explicação documental, um registo estruturado ou uma implementação proposta. O identificador fixo do fabricante para esta edição é mistral-medium-2505.
Contexto e fontes profissionais
A página do modelo indica uma janela de contexto de 128k. Use esse contexto para reter os trechos de origem, a conversa e as instruções que determinam o artefacto pedido. Numa comparação documental, identifique a fonte que representa o requisito atual, a revisão proposta e a pergunta a resolver. Peça o documento e a secção de apoio junto de cada conclusão.
Uma tarefa prática de explicação pode fornecer um procedimento e a pergunta de um utilizador, pedindo depois a ação relevante e a condição que a torna aplicável. Uma análise técnica pode incluir dados de origem, definições e o critério de comparação. O objetivo é um resultado ligado ao material fornecido, em vez de uma descrição genérica do tema.
Saídas estruturadas e funções
A página enumera saídas estruturadas e chamadas de funções. Para extração, defina nomes de campos, tipos e a representação de informação ausente da fonte. Um registo útil pode separar o identificador, a afirmação da fonte, a interpretação e a questão por resolver. As orientações comuns da Mistral distinguem o modo JSON de um esquema personalizado e exigem um pedido explícito do formato JSON pretendido.
As chamadas de funções ligam a interpretação do modelo às operações descritas pela aplicação. O modelo escolhe uma função e prepara argumentos, a aplicação executa-a e o resultado passa a integrar o contexto da resposta seguinte. Uma consulta pode fornecer um valor de referência em falta; um cálculo pode fornecer um resultado necessário à explicação. Mantenha o resultado associado à operação que o produziu, em vez de tratar a chamada proposta como uma ação executada.
Perguntas documentais e visuais
As perguntas sobre documentos também constam desta edição. O fluxo documentado pelo fabricante prepara o texto, a estrutura e a formatação de um documento com OCR antes da análise pelo modelo de linguagem. Pergunte pelo requisito, trecho ou relação específicos necessários à tarefa. Para vários documentos, preserve as suas identidades e peça uma comparação com a localização da fonte junto de cada conclusão.
Para material visual, associe a imagem a uma pergunta definida e conserve as etiquetas, unidades e regiões necessárias para responder. Um gráfico pode servir para comparar séries identificadas; um diagrama pode servir para perguntar que ligação sustenta um requisito fornecido. Uma imagem legível de documento e um documento preparado por OCR são preparações de entrada distintas, mesmo quando ambos servem o mesmo objetivo de resposta a perguntas.
Edição, prefixos e fluxos de trabalho
A página do modelo enumera saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas usam conteúdo conhecido quando a maior parte de um documento ou ficheiro de código deve permanecer e apenas uma parte limitada muda. Forneça o conteúdo existente, especifique a edição e identifique o material a preservar. Isto difere de pedir ao modelo que crie um documento inteiramente novo.
Um prefixo de resposta fornece um início conhecido para o texto gerado pelo assistente, que continua a partir desse ponto. O processamento em lote altera a forma de submeter tarefas, enquanto uma interface de agente ou conversa gere um fluxo ligado. As ferramentas incorporadas enumeradas pertencem à interface do fabricante; não acrescentam outra modalidade de conteúdo ao modelo subjacente nem executam uma ação sem o ambiente ligado.
Programação e adaptação ao domínio
Num pedido de programação, forneça o requisito, a função afetada, as declarações relevantes e as entradas e saídas esperadas. Peça a alteração proposta, as suas hipóteses e exemplos que distingam o comportamento pretendido. Uma pergunta de depuração pode incluir os elementos de prova da falha e perguntar que percurso no código a explica. O acesso ao repositório, a execução de código e a aplicação da alteração são fornecidos pelas ferramentas de desenvolvimento envolventes.
O anúncio original descreve pós-treino personalizado e ajuste fino para contextos empresariais e bases de conhecimento específicos de um domínio. Trata-se de um processo de adaptação distinto, não de uma afirmação de que os documentos de determinada organização já são conhecidos pelo modelo predefinido. Para uma resposta condicionada pelas fontes, forneça diretamente os documentos e a terminologia relevantes com a tarefa e defina as regras de resposta.
Edição e limites do resultado
Esta entrada preserva a identidade 2505 e o contexto de 128k do Medium 3. A contagem arquitetónica e os controlos configuráveis de raciocínio híbrido documentados posteriormente para o Medium 3.5 não integram a especificação declarada desta edição. A página específica do modelo não publica uma contagem de parâmetros nem um comprimento máximo de resposta independente que se possa importar de uma versão posterior.
Prepare o resultado pretendido antes do pedido: uma explicação, extração estruturada, secção revista ou proposta de código. Mantenha explícitos os elementos de prova textuais e visuais, as identidades das fontes e os resultados de ferramentas ligadas, para que a resposta possa ser inspecionada e usada no próximo passo da aplicação.
", "aboutText": "Mistral Medium 3 é o modelo multimodal da Mistral AI para trabalho profissional que envolve texto, compreensão visual e código. A versão original destaca tarefas de programação e de ciência, tecnologia, engenharia e matemática, juntamente com adaptação ao conhecimento e aos fluxos empresariais. Aceita material textual e visual e produz texto, incluindo uma explicação documental, um registo estruturado ou uma implementação proposta. O identificador fixo do fabricante para esta edição é mistral-medium-2505.\n\nContexto e fontes profissionais\n\nA página do modelo indica uma janela de contexto de 128k. Use esse contexto para reter os trechos de origem, a conversa e as instruções que determinam o artefacto pedido. Numa comparação documental, identifique a fonte que representa o requisito atual, a revisão proposta e a pergunta a resolver. Peça o documento e a secção de apoio junto de cada conclusão.\n\nUma tarefa prática de explicação pode fornecer um procedimento e a pergunta de um utilizador, pedindo depois a ação relevante e a condição que a torna aplicável. Uma análise técnica pode incluir dados de origem, definições e o critério de comparação. O objetivo é um resultado ligado ao material fornecido, em vez de uma descrição genérica do tema.\n\nSaídas estruturadas e funções\n\nA página enumera saídas estruturadas e chamadas de funções. Para extração, defina nomes de campos, tipos e a representação de informação ausente da fonte. Um registo útil pode separar o identificador, a afirmação da fonte, a interpretação e a questão por resolver. As orientações comuns da Mistral distinguem o modo JSON de um esquema personalizado e exigem um pedido explícito do formato JSON pretendido.\n\nAs chamadas de funções ligam a interpretação do modelo às operações descritas pela aplicação. O modelo escolhe uma função e prepara argumentos, a aplicação executa-a e o resultado passa a integrar o contexto da resposta seguinte. Uma consulta pode fornecer um valor de referência em falta; um cálculo pode fornecer um resultado necessário à explicação. Mantenha o resultado associado à operação que o produziu, em vez de tratar a chamada proposta como uma ação executada.\n\nPerguntas documentais e visuais\n\nAs perguntas sobre documentos também constam desta edição. O fluxo documentado pelo fabricante prepara o texto, a estrutura e a formatação de um documento com OCR antes da análise pelo modelo de linguagem. Pergunte pelo requisito, trecho ou relação específicos necessários à tarefa. Para vários documentos, preserve as suas identidades e peça uma comparação com a localização da fonte junto de cada conclusão.\n\nPara material visual, associe a imagem a uma pergunta definida e conserve as etiquetas, unidades e regiões necessárias para responder. Um gráfico pode servir para comparar séries identificadas; um diagrama pode servir para perguntar que ligação sustenta um requisito fornecido. Uma imagem legível de documento e um documento preparado por OCR são preparações de entrada distintas, mesmo quando ambos servem o mesmo objetivo de resposta a perguntas.\n\nEdição, prefixos e fluxos de trabalho\n\nA página do modelo enumera saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas usam conteúdo conhecido quando a maior parte de um documento ou ficheiro de código deve permanecer e apenas uma parte limitada muda. Forneça o conteúdo existente, especifique a edição e identifique o material a preservar. Isto difere de pedir ao modelo que crie um documento inteiramente novo.\n\nUm prefixo de resposta fornece um início conhecido para o texto gerado pelo assistente, que continua a partir desse ponto. O processamento em lote altera a forma de submeter tarefas, enquanto uma interface de agente ou conversa gere um fluxo ligado. As ferramentas incorporadas enumeradas pertencem à interface do fabricante; não acrescentam outra modalidade de conteúdo ao modelo subjacente nem executam uma ação sem o ambiente ligado.\n\nProgramação e adaptação ao domínio\n\nNum pedido de programação, forneça o requisito, a função afetada, as declarações relevantes e as entradas e saídas esperadas. Peça a alteração proposta, as suas hipóteses e exemplos que distingam o comportamento pretendido. Uma pergunta de depuração pode incluir os elementos de prova da falha e perguntar que percurso no código a explica. O acesso ao repositório, a execução de código e a aplicação da alteração são fornecidos pelas ferramentas de desenvolvimento envolventes.\n\nO anúncio original descreve pós-treino personalizado e ajuste fino para contextos empresariais e bases de conhecimento específicos de um domínio. Trata-se de um processo de adaptação distinto, não de uma afirmação de que os documentos de determinada organização já são conhecidos pelo modelo predefinido. Para uma resposta condicionada pelas fontes, forneça diretamente os documentos e a terminologia relevantes com a tarefa e defina as regras de resposta.\n\nEdição e limites do resultado\n\nEsta entrada preserva a identidade 2505 e o contexto de 128k do Medium 3. A contagem arquitetónica e os controlos configuráveis de raciocínio híbrido documentados posteriormente para o Medium 3.5 não integram a especificação declarada desta edição. A página específica do modelo não publica uma contagem de parâmetros nem um comprimento máximo de resposta independente que se possa importar de uma versão posterior.\n\nPrepare o resultado pretendido antes do pedido: uma explicação, extração estruturada, secção revista ou proposta de código. Mantenha explícitos os elementos de prova textuais e visuais, as identidades das fontes e os resultados de ferramentas ligadas, para que a resposta possa ser inspecionada e usada no próximo passo da aplicação.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.mistralai/mistral-medium-3Mistral Medium 3 é um modelo multimodal para tarefas profissionais de texto, visão e programação. O contexto de 128k indicado pelo fabricante e as saídas estruturadas, chamadas de funções, perguntas sobre documentos e edições previsíveis documentadas apoiam explicações baseadas em fontes e fluxos de aplicações.
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 é o modelo multimodal da Mistral AI para trabalho profissional que envolve texto, compreensão visual e código. A versão original destaca tarefas de programação e de ciência, tecnologia, engenharia e matemática, juntamente com adaptação ao conhecimento e aos fluxos empresariais. Aceita material textual e visual e produz texto, incluindo uma explicação documental, um registo estruturado ou uma implementação proposta. O identificador fixo do fabricante para esta edição é mistral-medium-2505.
Contexto e fontes profissionais
A página do modelo indica uma janela de contexto de 128k. Use esse contexto para reter os trechos de origem, a conversa e as instruções que determinam o artefacto pedido. Numa comparação documental, identifique a fonte que representa o requisito atual, a revisão proposta e a pergunta a resolver. Peça o documento e a secção de apoio junto de cada conclusão.
Uma tarefa prática de explicação pode fornecer um procedimento e a pergunta de um utilizador, pedindo depois a ação relevante e a condição que a torna aplicável. Uma análise técnica pode incluir dados de origem, definições e o critério de comparação. O objetivo é um resultado ligado ao material fornecido, em vez de uma descrição genérica do tema.
Saídas estruturadas e funções
A página enumera saídas estruturadas e chamadas de funções. Para extração, defina nomes de campos, tipos e a representação de informação ausente da fonte. Um registo útil pode separar o identificador, a afirmação da fonte, a interpretação e a questão por resolver. As orientações comuns da Mistral distinguem o modo JSON de um esquema personalizado e exigem um pedido explícito do formato JSON pretendido.
As chamadas de funções ligam a interpretação do modelo às operações descritas pela aplicação. O modelo escolhe uma função e prepara argumentos, a aplicação executa-a e o resultado passa a integrar o contexto da resposta seguinte. Uma consulta pode fornecer um valor de referência em falta; um cálculo pode fornecer um resultado necessário à explicação. Mantenha o resultado associado à operação que o produziu, em vez de tratar a chamada proposta como uma ação executada.
Perguntas documentais e visuais
As perguntas sobre documentos também constam desta edição. O fluxo documentado pelo fabricante prepara o texto, a estrutura e a formatação de um documento com OCR antes da análise pelo modelo de linguagem. Pergunte pelo requisito, trecho ou relação específicos necessários à tarefa. Para vários documentos, preserve as suas identidades e peça uma comparação com a localização da fonte junto de cada conclusão.
Para material visual, associe a imagem a uma pergunta definida e conserve as etiquetas, unidades e regiões necessárias para responder. Um gráfico pode servir para comparar séries identificadas; um diagrama pode servir para perguntar que ligação sustenta um requisito fornecido. Uma imagem legível de documento e um documento preparado por OCR são preparações de entrada distintas, mesmo quando ambos servem o mesmo objetivo de resposta a perguntas.
Edição, prefixos e fluxos de trabalho
A página do modelo enumera saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas usam conteúdo conhecido quando a maior parte de um documento ou ficheiro de código deve permanecer e apenas uma parte limitada muda. Forneça o conteúdo existente, especifique a edição e identifique o material a preservar. Isto difere de pedir ao modelo que crie um documento inteiramente novo.
Um prefixo de resposta fornece um início conhecido para o texto gerado pelo assistente, que continua a partir desse ponto. O processamento em lote altera a forma de submeter tarefas, enquanto uma interface de agente ou conversa gere um fluxo ligado. As ferramentas incorporadas enumeradas pertencem à interface do fabricante; não acrescentam outra modalidade de conteúdo ao modelo subjacente nem executam uma ação sem o ambiente ligado.
Programação e adaptação ao domínio
Num pedido de programação, forneça o requisito, a função afetada, as declarações relevantes e as entradas e saídas esperadas. Peça a alteração proposta, as suas hipóteses e exemplos que distingam o comportamento pretendido. Uma pergunta de depuração pode incluir os elementos de prova da falha e perguntar que percurso no código a explica. O acesso ao repositório, a execução de código e a aplicação da alteração são fornecidos pelas ferramentas de desenvolvimento envolventes.
O anúncio original descreve pós-treino personalizado e ajuste fino para contextos empresariais e bases de conhecimento específicos de um domínio. Trata-se de um processo de adaptação distinto, não de uma afirmação de que os documentos de determinada organização já são conhecidos pelo modelo predefinido. Para uma resposta condicionada pelas fontes, forneça diretamente os documentos e a terminologia relevantes com a tarefa e defina as regras de resposta.
Edição e limites do resultado
Esta entrada preserva a identidade 2505 e o contexto de 128k do Medium 3. A contagem arquitetónica e os controlos configuráveis de raciocínio híbrido documentados posteriormente para o Medium 3.5 não integram a especificação declarada desta edição. A página específica do modelo não publica uma contagem de parâmetros nem um comprimento máximo de resposta independente que se possa importar de uma versão posterior.
Prepare o resultado pretendido antes do pedido: uma explicação, extração estruturada, secção revista ou proposta de código. Mantenha explícitos os elementos de prova textuais e visuais, as identidades das fontes e os resultados de ferramentas ligadas, para que a resposta possa ser inspecionada e usada no próximo passo da aplicação.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/mistral-medium-3 | 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 $0.0008 / 1K tokens Saída · Tokens de saída $0.004 / 1K tokens Entrada · Leitura da cache $0.00008 / 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 $0.0008 / 1K tokens Saída · Tokens de saída $0.004 / 1K tokens Entrada · Leitura da cache $0.00008 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-medium-3',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-medium-3',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-medium-3
Use os caminhos dos métodos indicados acima.
mistralai/mistral-medium-3Mistral Medium 3 é um modelo multimodal para tarefas profissionais de texto, visão e programação. O contexto de 128k indicado pelo fabricante e as saídas estruturadas, chamadas de funções, perguntas sobre documentos e edições previsíveis documentadas apoiam explicações baseadas em fontes e fluxos de aplicações.
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 é o modelo multimodal da Mistral AI para trabalho profissional que envolve texto, compreensão visual e código. A versão original destaca tarefas de programação e de ciência, tecnologia, engenharia e matemática, juntamente com adaptação ao conhecimento e aos fluxos empresariais. Aceita material textual e visual e produz texto, incluindo uma explicação documental, um registo estruturado ou uma implementação proposta. O identificador fixo do fabricante para esta edição é mistral-medium-2505.
Contexto e fontes profissionais
A página do modelo indica uma janela de contexto de 128k. Use esse contexto para reter os trechos de origem, a conversa e as instruções que determinam o artefacto pedido. Numa comparação documental, identifique a fonte que representa o requisito atual, a revisão proposta e a pergunta a resolver. Peça o documento e a secção de apoio junto de cada conclusão.
Uma tarefa prática de explicação pode fornecer um procedimento e a pergunta de um utilizador, pedindo depois a ação relevante e a condição que a torna aplicável. Uma análise técnica pode incluir dados de origem, definições e o critério de comparação. O objetivo é um resultado ligado ao material fornecido, em vez de uma descrição genérica do tema.
Saídas estruturadas e funções
A página enumera saídas estruturadas e chamadas de funções. Para extração, defina nomes de campos, tipos e a representação de informação ausente da fonte. Um registo útil pode separar o identificador, a afirmação da fonte, a interpretação e a questão por resolver. As orientações comuns da Mistral distinguem o modo JSON de um esquema personalizado e exigem um pedido explícito do formato JSON pretendido.
As chamadas de funções ligam a interpretação do modelo às operações descritas pela aplicação. O modelo escolhe uma função e prepara argumentos, a aplicação executa-a e o resultado passa a integrar o contexto da resposta seguinte. Uma consulta pode fornecer um valor de referência em falta; um cálculo pode fornecer um resultado necessário à explicação. Mantenha o resultado associado à operação que o produziu, em vez de tratar a chamada proposta como uma ação executada.
Perguntas documentais e visuais
As perguntas sobre documentos também constam desta edição. O fluxo documentado pelo fabricante prepara o texto, a estrutura e a formatação de um documento com OCR antes da análise pelo modelo de linguagem. Pergunte pelo requisito, trecho ou relação específicos necessários à tarefa. Para vários documentos, preserve as suas identidades e peça uma comparação com a localização da fonte junto de cada conclusão.
Para material visual, associe a imagem a uma pergunta definida e conserve as etiquetas, unidades e regiões necessárias para responder. Um gráfico pode servir para comparar séries identificadas; um diagrama pode servir para perguntar que ligação sustenta um requisito fornecido. Uma imagem legível de documento e um documento preparado por OCR são preparações de entrada distintas, mesmo quando ambos servem o mesmo objetivo de resposta a perguntas.
Edição, prefixos e fluxos de trabalho
A página do modelo enumera saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas usam conteúdo conhecido quando a maior parte de um documento ou ficheiro de código deve permanecer e apenas uma parte limitada muda. Forneça o conteúdo existente, especifique a edição e identifique o material a preservar. Isto difere de pedir ao modelo que crie um documento inteiramente novo.
Um prefixo de resposta fornece um início conhecido para o texto gerado pelo assistente, que continua a partir desse ponto. O processamento em lote altera a forma de submeter tarefas, enquanto uma interface de agente ou conversa gere um fluxo ligado. As ferramentas incorporadas enumeradas pertencem à interface do fabricante; não acrescentam outra modalidade de conteúdo ao modelo subjacente nem executam uma ação sem o ambiente ligado.
Programação e adaptação ao domínio
Num pedido de programação, forneça o requisito, a função afetada, as declarações relevantes e as entradas e saídas esperadas. Peça a alteração proposta, as suas hipóteses e exemplos que distingam o comportamento pretendido. Uma pergunta de depuração pode incluir os elementos de prova da falha e perguntar que percurso no código a explica. O acesso ao repositório, a execução de código e a aplicação da alteração são fornecidos pelas ferramentas de desenvolvimento envolventes.
O anúncio original descreve pós-treino personalizado e ajuste fino para contextos empresariais e bases de conhecimento específicos de um domínio. Trata-se de um processo de adaptação distinto, não de uma afirmação de que os documentos de determinada organização já são conhecidos pelo modelo predefinido. Para uma resposta condicionada pelas fontes, forneça diretamente os documentos e a terminologia relevantes com a tarefa e defina as regras de resposta.
Edição e limites do resultado
Esta entrada preserva a identidade 2505 e o contexto de 128k do Medium 3. A contagem arquitetónica e os controlos configuráveis de raciocínio híbrido documentados posteriormente para o Medium 3.5 não integram a especificação declarada desta edição. A página específica do modelo não publica uma contagem de parâmetros nem um comprimento máximo de resposta independente que se possa importar de uma versão posterior.
Prepare o resultado pretendido antes do pedido: uma explicação, extração estruturada, secção revista ou proposta de código. Mantenha explícitos os elementos de prova textuais e visuais, as identidades das fontes e os resultados de ferramentas ligadas, para que a resposta possa ser inspecionada e usada no próximo passo da aplicação.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/mistral-medium-3 | 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 $0.0008 / 1K tokens Saída · Tokens de saída $0.004 / 1K tokens Entrada · Leitura da cache $0.00008 / 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 $0.0008 / 1K tokens Saída · Tokens de saída $0.004 / 1K tokens Entrada · Leitura da cache $0.00008 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "mistralai/mistral-medium-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3', '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-medium-3
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.