Mistral Small 4 combina seguimento geral de instruções, raciocínio e programação num único modelo multimodal. O fabricante descreve-o como uma unificação das famílias Instruct, Magistral de raciocínio e Devstral de programação. Aceita texto e imagens e devolve texto, com chamadas de funções e saída JSON disponíveis para aplicações assistidas por ferramentas.
Arquitetura e funcionalidades principais
A versão tem 119 mil milhões de parâmetros no total e ativa 6,5 mil milhões por token. A arquitetura de mistura de especialistas contém 128 especialistas, dos quais 4 ativos, e o fabricante documenta uma janela de contexto de 256k. A contagem de parâmetros ativos e o número de especialistas descrevem a organização do modelo; são distintos da quantidade de conteúdo textual ou visual incluído numa tarefa.
O modelo disponibiliza funcionalidades de instruções e raciocínio no mesmo ponto de controlo. O fabricante identifica também visão, cumprimento de instruções de sistema e suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Uma instrução textual pode, portanto, perguntar sobre uma imagem ou combinar um requisito escrito com elementos de prova visíveis, recebendo a resposta em texto.
Uma tarefa visual pode fornecer uma página documental e pedir os valores relevantes para uma condição identificada. Mantenha legíveis as etiquetas e unidades e indique se o resultado deve preservar a formulação original, resumi-la ou compará-la com outra fonte. Uma tarefa de interface pode associar uma captura de ecrã ao objetivo do utilizador e pedir o controlo visível relevante e os elementos de prova que sustentam o próximo passo proposto.
Escolha entre o modo de instruções e o de raciocínio
A ficha publicada documenta o esforço de raciocínio none para uma resposta imediata orientada por instruções e high para raciocínio, recomendando high para prompts complexos. A escolha é feita por pedido dentro do mesmo modelo Small 4. Uma classificação comum ou reescrita curta pode ter um contrato de resposta diferente de um problema matemático, visual ou de programação que exija uma explicação desenvolvida.
O fabricante recomenda temperature 0.7 para esforço de raciocínio high. Para none, especifica temperaturas entre 0.0 e 0.7 conforme a tarefa. Estas definições descrevem os modos documentados e não transformam o esforço de raciocínio numa garantia de resultado correto. Defina as hipóteses, o formato da saída e as fontes relevantes antes de escolher quanto raciocínio a tarefa exige.
Para um problema resolvido, forneça a condição completa e peça os passos importantes justificados, seguidos da expressão final. Para uma tarefa de código, forneça o requisito, a função afetada e uma entrada concreta; peça a implementação proposta separadamente da explicação e dos exemplos. As demonstrações de utilização do fabricante incluem seguimento de instruções, uma ferramenta de cálculo aplicada a uma imagem e raciocínio visual, ilustrando como texto e elementos de prova visuais podem entrar nestas diferentes tarefas.
Programação, documentos e ferramentas
O modelo destina-se a exploração de bases de código e agentes de engenharia de software, assistentes gerais, compreensão documental e investigação. Um pedido a um agente de programação pode identificar o módulo a alterar, a interface a preservar e o comportamento pretendido. Forneça o código relevante e os elementos de prova da falha. O modelo pode propor a próxima operação ou uma alteração de código, enquanto a aplicação fornece acesso ao repositório, execução e retorno dos resultados.
Para extração documental, identifique os campos obrigatórios e como representar informação em falta. Um registo útil pode separar o identificador documental, a afirmação da fonte, o requisito interpretado e a questão por resolver. A ficha do serviço do fabricante enumera saída estruturada personalizada e perguntas sobre documentos; estas usam processamento documental e OCR para preparar texto e estrutura antes da análise pelo modelo de linguagem. Uma pergunta direta sobre imagem e um fluxo documental assistido por OCR devem manter a sua própria preparação de entrada.
As chamadas de funções exigem ferramentas claramente descritas. O modelo seleciona uma função e cria os argumentos; a aplicação executa a operação e devolve o resultado para a resposta subsequente. A mesma lógica aplica-se a consultas, cálculos ou operações de programação. A formatação JSON organiza uma resposta, enquanto uma chamada de ferramenta pede uma ação externa; os dois não devem ser tratados como resultados intercambiáveis.
A ficha do serviço enumera também saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas são úteis quando um documento ou ficheiro de código deve ser regenerado com uma alteração limitada e o restante conteúdo é conhecido. Especifique a edição e o material a preservar. A continuação por prefixo usa um início conhecido da resposta, enquanto o processamento em lote diz respeito à submissão do trabalho, não a um modo adicional de raciocínio.
Contexto e limites da edição
Planeie a tarefa escrita, o material visual, a conversa e a resposta pretendida em função do contexto documentado de 256k. O exemplo de utilização publicado configura um contexto de 262 144 tokens, enquanto o exemplo de geração de 1 024 tokens não é uma capacidade máxima separada de saída. As fontes lidas não fornecem um limite rígido independente de extensão de resposta que substitua a extensão escolhida para a tarefa.
Small 4 tem a sua própria arquitetura de mistura de especialistas com 119 mil milhões de parâmetros e modos híbridos. Não deve herdar a arquitetura densa de 128 mil milhões do Medium 3.5 nem as edições Instruct e Reasoning separadas do Ministral 3. O fabricante publica também artefactos distintos quantizados e de descodificação especulativa; são artefactos separados de implementação, não modalidades de conteúdo diferentes. Preserve a versão identificada como Small 4 e o modo pedido para o resultado efetivo de explicação, registo estruturado ou código.
", "aboutText": "Mistral Small 4 combina seguimento geral de instruções, raciocínio e programação num único modelo multimodal. O fabricante descreve-o como uma unificação das famílias Instruct, Magistral de raciocínio e Devstral de programação. Aceita texto e imagens e devolve texto, com chamadas de funções e saída JSON disponíveis para aplicações assistidas por ferramentas.\n\nArquitetura e funcionalidades principais\n\nA versão tem 119 mil milhões de parâmetros no total e ativa 6,5 mil milhões por token. A arquitetura de mistura de especialistas contém 128 especialistas, dos quais 4 ativos, e o fabricante documenta uma janela de contexto de 256k. A contagem de parâmetros ativos e o número de especialistas descrevem a organização do modelo; são distintos da quantidade de conteúdo textual ou visual incluído numa tarefa.\n\nO modelo disponibiliza funcionalidades de instruções e raciocínio no mesmo ponto de controlo. O fabricante identifica também visão, cumprimento de instruções de sistema e suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Uma instrução textual pode, portanto, perguntar sobre uma imagem ou combinar um requisito escrito com elementos de prova visíveis, recebendo a resposta em texto.\n\nUma tarefa visual pode fornecer uma página documental e pedir os valores relevantes para uma condição identificada. Mantenha legíveis as etiquetas e unidades e indique se o resultado deve preservar a formulação original, resumi-la ou compará-la com outra fonte. Uma tarefa de interface pode associar uma captura de ecrã ao objetivo do utilizador e pedir o controlo visível relevante e os elementos de prova que sustentam o próximo passo proposto.\n\nEscolha entre o modo de instruções e o de raciocínio\n\nA ficha publicada documenta o esforço de raciocínio none para uma resposta imediata orientada por instruções e high para raciocínio, recomendando high para prompts complexos. A escolha é feita por pedido dentro do mesmo modelo Small 4. Uma classificação comum ou reescrita curta pode ter um contrato de resposta diferente de um problema matemático, visual ou de programação que exija uma explicação desenvolvida.\n\nO fabricante recomenda temperature 0.7 para esforço de raciocínio high. Para none, especifica temperaturas entre 0.0 e 0.7 conforme a tarefa. Estas definições descrevem os modos documentados e não transformam o esforço de raciocínio numa garantia de resultado correto. Defina as hipóteses, o formato da saída e as fontes relevantes antes de escolher quanto raciocínio a tarefa exige.\n\nPara um problema resolvido, forneça a condição completa e peça os passos importantes justificados, seguidos da expressão final. Para uma tarefa de código, forneça o requisito, a função afetada e uma entrada concreta; peça a implementação proposta separadamente da explicação e dos exemplos. As demonstrações de utilização do fabricante incluem seguimento de instruções, uma ferramenta de cálculo aplicada a uma imagem e raciocínio visual, ilustrando como texto e elementos de prova visuais podem entrar nestas diferentes tarefas.\n\nProgramação, documentos e ferramentas\n\nO modelo destina-se a exploração de bases de código e agentes de engenharia de software, assistentes gerais, compreensão documental e investigação. Um pedido a um agente de programação pode identificar o módulo a alterar, a interface a preservar e o comportamento pretendido. Forneça o código relevante e os elementos de prova da falha. O modelo pode propor a próxima operação ou uma alteração de código, enquanto a aplicação fornece acesso ao repositório, execução e retorno dos resultados.\n\nPara extração documental, identifique os campos obrigatórios e como representar informação em falta. Um registo útil pode separar o identificador documental, a afirmação da fonte, o requisito interpretado e a questão por resolver. A ficha do serviço do fabricante enumera saída estruturada personalizada e perguntas sobre documentos; estas usam processamento documental e OCR para preparar texto e estrutura antes da análise pelo modelo de linguagem. Uma pergunta direta sobre imagem e um fluxo documental assistido por OCR devem manter a sua própria preparação de entrada.\n\nAs chamadas de funções exigem ferramentas claramente descritas. O modelo seleciona uma função e cria os argumentos; a aplicação executa a operação e devolve o resultado para a resposta subsequente. A mesma lógica aplica-se a consultas, cálculos ou operações de programação. A formatação JSON organiza uma resposta, enquanto uma chamada de ferramenta pede uma ação externa; os dois não devem ser tratados como resultados intercambiáveis.\n\nA ficha do serviço enumera também saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas são úteis quando um documento ou ficheiro de código deve ser regenerado com uma alteração limitada e o restante conteúdo é conhecido. Especifique a edição e o material a preservar. A continuação por prefixo usa um início conhecido da resposta, enquanto o processamento em lote diz respeito à submissão do trabalho, não a um modo adicional de raciocínio.\n\nContexto e limites da edição\n\nPlaneie a tarefa escrita, o material visual, a conversa e a resposta pretendida em função do contexto documentado de 256k. O exemplo de utilização publicado configura um contexto de 262 144 tokens, enquanto o exemplo de geração de 1 024 tokens não é uma capacidade máxima separada de saída. As fontes lidas não fornecem um limite rígido independente de extensão de resposta que substitua a extensão escolhida para a tarefa.\n\nSmall 4 tem a sua própria arquitetura de mistura de especialistas com 119 mil milhões de parâmetros e modos híbridos. Não deve herdar a arquitetura densa de 128 mil milhões do Medium 3.5 nem as edições Instruct e Reasoning separadas do Ministral 3. O fabricante publica também artefactos distintos quantizados e de descodificação especulativa; são artefactos separados de implementação, não modalidades de conteúdo diferentes. Preserve a versão identificada como Small 4 e o modo pedido para o resultado efetivo de explicação, registo estruturado ou código.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b15c51670f7c694abcbb629d8f3aaff3a7a772942893facd2409abd8adaf2ae1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "mistralai/mistral-small-2603:batchMistral Small 4 é um modelo híbrido de texto e imagem com capacidades de instruções, raciocínio e programação. A versão de mistura de especialistas com 119 mil milhões de parâmetros ativa 6,5 mil milhões por token e suporta um contexto de 256k indicado pelo fabricante, esforço de raciocínio selecionável, JSON e chamadas de funções.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Mistral Small 4 combina seguimento geral de instruções, raciocínio e programação num único modelo multimodal. O fabricante descreve-o como uma unificação das famílias Instruct, Magistral de raciocínio e Devstral de programação. Aceita texto e imagens e devolve texto, com chamadas de funções e saída JSON disponíveis para aplicações assistidas por ferramentas.
Arquitetura e funcionalidades principais
A versão tem 119 mil milhões de parâmetros no total e ativa 6,5 mil milhões por token. A arquitetura de mistura de especialistas contém 128 especialistas, dos quais 4 ativos, e o fabricante documenta uma janela de contexto de 256k. A contagem de parâmetros ativos e o número de especialistas descrevem a organização do modelo; são distintos da quantidade de conteúdo textual ou visual incluído numa tarefa.
O modelo disponibiliza funcionalidades de instruções e raciocínio no mesmo ponto de controlo. O fabricante identifica também visão, cumprimento de instruções de sistema e suporte multilingue para dezenas de línguas, incluindo inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, japonês, coreano e árabe. Uma instrução textual pode, portanto, perguntar sobre uma imagem ou combinar um requisito escrito com elementos de prova visíveis, recebendo a resposta em texto.
Uma tarefa visual pode fornecer uma página documental e pedir os valores relevantes para uma condição identificada. Mantenha legíveis as etiquetas e unidades e indique se o resultado deve preservar a formulação original, resumi-la ou compará-la com outra fonte. Uma tarefa de interface pode associar uma captura de ecrã ao objetivo do utilizador e pedir o controlo visível relevante e os elementos de prova que sustentam o próximo passo proposto.
Escolha entre o modo de instruções e o de raciocínio
A ficha publicada documenta o esforço de raciocínio none para uma resposta imediata orientada por instruções e high para raciocínio, recomendando high para prompts complexos. A escolha é feita por pedido dentro do mesmo modelo Small 4. Uma classificação comum ou reescrita curta pode ter um contrato de resposta diferente de um problema matemático, visual ou de programação que exija uma explicação desenvolvida.
O fabricante recomenda temperature 0.7 para esforço de raciocínio high. Para none, especifica temperaturas entre 0.0 e 0.7 conforme a tarefa. Estas definições descrevem os modos documentados e não transformam o esforço de raciocínio numa garantia de resultado correto. Defina as hipóteses, o formato da saída e as fontes relevantes antes de escolher quanto raciocínio a tarefa exige.
Para um problema resolvido, forneça a condição completa e peça os passos importantes justificados, seguidos da expressão final. Para uma tarefa de código, forneça o requisito, a função afetada e uma entrada concreta; peça a implementação proposta separadamente da explicação e dos exemplos. As demonstrações de utilização do fabricante incluem seguimento de instruções, uma ferramenta de cálculo aplicada a uma imagem e raciocínio visual, ilustrando como texto e elementos de prova visuais podem entrar nestas diferentes tarefas.
Programação, documentos e ferramentas
O modelo destina-se a exploração de bases de código e agentes de engenharia de software, assistentes gerais, compreensão documental e investigação. Um pedido a um agente de programação pode identificar o módulo a alterar, a interface a preservar e o comportamento pretendido. Forneça o código relevante e os elementos de prova da falha. O modelo pode propor a próxima operação ou uma alteração de código, enquanto a aplicação fornece acesso ao repositório, execução e retorno dos resultados.
Para extração documental, identifique os campos obrigatórios e como representar informação em falta. Um registo útil pode separar o identificador documental, a afirmação da fonte, o requisito interpretado e a questão por resolver. A ficha do serviço do fabricante enumera saída estruturada personalizada e perguntas sobre documentos; estas usam processamento documental e OCR para preparar texto e estrutura antes da análise pelo modelo de linguagem. Uma pergunta direta sobre imagem e um fluxo documental assistido por OCR devem manter a sua própria preparação de entrada.
As chamadas de funções exigem ferramentas claramente descritas. O modelo seleciona uma função e cria os argumentos; a aplicação executa a operação e devolve o resultado para a resposta subsequente. A mesma lógica aplica-se a consultas, cálculos ou operações de programação. A formatação JSON organiza uma resposta, enquanto uma chamada de ferramenta pede uma ação externa; os dois não devem ser tratados como resultados intercambiáveis.
A ficha do serviço enumera também saídas previstas, prefixos de resposta, processamento em lote e conversas com agentes. As saídas previstas são úteis quando um documento ou ficheiro de código deve ser regenerado com uma alteração limitada e o restante conteúdo é conhecido. Especifique a edição e o material a preservar. A continuação por prefixo usa um início conhecido da resposta, enquanto o processamento em lote diz respeito à submissão do trabalho, não a um modo adicional de raciocínio.
Contexto e limites da edição
Planeie a tarefa escrita, o material visual, a conversa e a resposta pretendida em função do contexto documentado de 256k. O exemplo de utilização publicado configura um contexto de 262 144 tokens, enquanto o exemplo de geração de 1 024 tokens não é uma capacidade máxima separada de saída. As fontes lidas não fornecem um limite rígido independente de extensão de resposta que substitua a extensão escolhida para a tarefa.
Small 4 tem a sua própria arquitetura de mistura de especialistas com 119 mil milhões de parâmetros e modos híbridos. Não deve herdar a arquitetura densa de 128 mil milhões do Medium 3.5 nem as edições Instruct e Reasoning separadas do Ministral 3. O fabricante publica também artefactos distintos quantizados e de descodificação especulativa; são artefactos separados de implementação, não modalidades de conteúdo diferentes. Preserve a versão identificada como Small 4 e o modo pedido para o resultado efetivo de explicação, registo estruturado ou código.
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-small-2603: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-small-2603:batch, mistralai/mistral-small-2603 | 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 $0.00015 / 1K tokens Saída · Tokens de saída $0.0006 / 1K tokens Entrada · Leitura da cache $0.000015 / 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 $0.00015 / 1K tokens Saída · Tokens de saída $0.0006 / 1K tokens Entrada · Leitura da cache $0.000015 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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-small-2603: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-small-2603:batch', 'mistralai/mistral-small-2603']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-small-2603: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-small-2603:batch
Use os caminhos dos métodos indicados acima.