Ministral 3 8B Instruct 2512 är den mellanstora instruktionsanpassade modellen i Mistral AI:s Ministral 3-familj. Den publicerade modellversionen är eftertränad för chatt- och instruktionsuppgifter med FP8-precision. Den kombinerar en språkkomponent med en bildkodare, tar emot text och bilder och returnerar text snarare än en bild- eller ljudleverans.
Arkitektur och nyckelfunktioner
Tillverkaren anger en språkmodell med 8,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Kontextfönstret beskrivs som 256k token, och de publicerade användningsanvisningarna använder en förinställd kontextlängd på 262 144. Dessa uppgifter beskriver utgåvan i 8B-storlek; familjens mindre 3B- och större 14B-modeller behåller sina egna komponentstorlekar och konfigurationer.
Bildförståelse utökar modellens indata bortom ett skriftligt samtal. En dokumentbild kan kombineras med en fråga om ett valt fält, stycke eller synligt samband. En skärmbild kan kombineras med användarens mål och en begäran att identifiera den relevanta kontrollen. Begär observationen som stöder varje slutsats när svaret beror på bilddetaljer, och bevara rubriker, etiketter och enheter som behövs för att tolka ett utsnitt.
Modellkortet beskriver flerspråkigt arbete på tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Det anger också följsamhet till systeminstruktioner, inbyggda funktionsanrop och JSON-utdata. Definiera målspråk, roll och utmatningskrav uttryckligen i stället för att låta modellen härleda den avsedda leveransen ur stora indata.
Dokument-, samtals- och agentuppgifter
Tillverkarens användningsfall omfattar chattgränssnitt, vardagsassistenter, bild- och dokumentbeskrivning, översättning, innehållsgenerering och specialiserade agenter. För en dokumentassistent tillhandahåller du sidan och anger informationen som ska returneras. En extraktionsbegäran kan ange fältetiketter, förväntade typer och hantering av saknade värden. Ett användbart svar kan innehålla dokumentidentifieraren, det extraherade värdet och en kort förklaring knuten till den synliga källan.
För ett pågående samtal behåller du det relevanta tidigare svaret och ställer en fokuserad följdfråga. En användare kan först begära en dokumentsammanfattning och sedan fråga vilken utsaga som stöder en slutsats. Det ändrar de nödvändiga utdata från en allmän översikt till en källanknuten förklaring, samtidigt som originalmaterialet och dialogens syfte behålls.
För flerspråkig redigering tillhandahåller du originalavsnittet, den avsedda läsaren och en terminologilista. Begär en reviderad version som bevarar namn, villkor och enheter, följd av en kort förklaring av ändringarna om det är användbart. För innehållsgenerering anger du målgruppen och fakta som ska finnas med innan du begär ett kort utkast eller en alternativ formulering.
I en agentuppgift tillhandahåller applikationen verktygen och deras parametrar. Modellen kan välja en funktion och förbereda argument, medan applikationen kör den och returnerar resultatet. Modellkortets funktionsexempel kombinerar en bildfråga med ett beräkningsverktyg. Håll verktygsresultatet skilt från det föreslagna anropet så att det efterföljande skriftliga svaret använder den information som operationen faktiskt returnerade.
Rekommenderad förberedelse och inställningar
Tillverkaren rekommenderar en systeminstruktion som beskriver miljön, användningsfallet och hur verktyg ska användas. Håll verktygsuppsättningen väldefinierad och begränsad till det minsta som uppgiften behöver. Ett litet uppslagningsflöde kan erbjuda funktionerna som är relevanta för den aktuella frågan, med tydligt namngivna obligatoriska argument, i stället för att presentera en stor samling orelaterade operationer.
För vardaglig användning och produktionsliknande användning rekommenderar modellkortet en temperatur under 0.1, med högre temperaturer tillgängliga för kreativ utforskning. Behandla detta som en rekommendation för instruktionsflödet, inte som en separat kontroll för resonemangsläge. Familjen har separata Base-, Instruct- och Reasoning-versioner; den här posten är utgåvan Instruct 2512, inte den separata Reasoning-utgåvan i samma storlek.
För bilder rekommenderar tillverkaren bildförhållanden nära 1:1 och att undvika mycket smala eller mycket breda indata. Beskär vid behov och bevara samtidigt de etiketter och det sammanhang som frågan behöver. Om en sida innehåller flera orelaterade områden anger du delen som ska granskas och resultatet som ska returneras. En läsbar, fokuserad bild är mer användbar än att be modellen gissa vilken liten detalj på en stor sida som är viktig.
Kontextens och utgåvans gränser
Planera text, bilder, samtal och önskat svar utifrån den konfigurerade kontexten. Användningsanvisningarna tillåter uttryckligen att den konfigurerade modellängden minskas när mindre kontext behövs, så hela fönstret är inte en instruktion att fylla varje begäran med allt tillgängligt material. Modellkortets genereringsexempel på 512 token är bara en exempelinställning, och de lästa källorna fastställer ingen separat strikt maximal svarslängd.
FP8 Instruct-versionen, den förtränade Base-utgåvan och Reasoning-utgåvan är separata utgåvor. Tillverkaren beskriver också specialisering och finjustering som användningsfall. Bevara den namngivna modellversionen och dess tokenizer när samtalet förbereds och håll textgenerering skild från åtkomst till kodarkiv, funktionskörning eller andra åtgärder som den omgivande applikationen tillhandahåller.
", "aboutText": "Ministral 3 8B Instruct 2512 är den mellanstora instruktionsanpassade modellen i Mistral AI:s Ministral 3-familj. Den publicerade modellversionen är eftertränad för chatt- och instruktionsuppgifter med FP8-precision. Den kombinerar en språkkomponent med en bildkodare, tar emot text och bilder och returnerar text snarare än en bild- eller ljudleverans.\n\nArkitektur och nyckelfunktioner\n\nTillverkaren anger en språkmodell med 8,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Kontextfönstret beskrivs som 256k token, och de publicerade användningsanvisningarna använder en förinställd kontextlängd på 262 144. Dessa uppgifter beskriver utgåvan i 8B-storlek; familjens mindre 3B- och större 14B-modeller behåller sina egna komponentstorlekar och konfigurationer.\n\nBildförståelse utökar modellens indata bortom ett skriftligt samtal. En dokumentbild kan kombineras med en fråga om ett valt fält, stycke eller synligt samband. En skärmbild kan kombineras med användarens mål och en begäran att identifiera den relevanta kontrollen. Begär observationen som stöder varje slutsats när svaret beror på bilddetaljer, och bevara rubriker, etiketter och enheter som behövs för att tolka ett utsnitt.\n\nModellkortet beskriver flerspråkigt arbete på tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Det anger också följsamhet till systeminstruktioner, inbyggda funktionsanrop och JSON-utdata. Definiera målspråk, roll och utmatningskrav uttryckligen i stället för att låta modellen härleda den avsedda leveransen ur stora indata.\n\nDokument-, samtals- och agentuppgifter\n\nTillverkarens användningsfall omfattar chattgränssnitt, vardagsassistenter, bild- och dokumentbeskrivning, översättning, innehållsgenerering och specialiserade agenter. För en dokumentassistent tillhandahåller du sidan och anger informationen som ska returneras. En extraktionsbegäran kan ange fältetiketter, förväntade typer och hantering av saknade värden. Ett användbart svar kan innehålla dokumentidentifieraren, det extraherade värdet och en kort förklaring knuten till den synliga källan.\n\nFör ett pågående samtal behåller du det relevanta tidigare svaret och ställer en fokuserad följdfråga. En användare kan först begära en dokumentsammanfattning och sedan fråga vilken utsaga som stöder en slutsats. Det ändrar de nödvändiga utdata från en allmän översikt till en källanknuten förklaring, samtidigt som originalmaterialet och dialogens syfte behålls.\n\nFör flerspråkig redigering tillhandahåller du originalavsnittet, den avsedda läsaren och en terminologilista. Begär en reviderad version som bevarar namn, villkor och enheter, följd av en kort förklaring av ändringarna om det är användbart. För innehållsgenerering anger du målgruppen och fakta som ska finnas med innan du begär ett kort utkast eller en alternativ formulering.\n\nI en agentuppgift tillhandahåller applikationen verktygen och deras parametrar. Modellen kan välja en funktion och förbereda argument, medan applikationen kör den och returnerar resultatet. Modellkortets funktionsexempel kombinerar en bildfråga med ett beräkningsverktyg. Håll verktygsresultatet skilt från det föreslagna anropet så att det efterföljande skriftliga svaret använder den information som operationen faktiskt returnerade.\n\nRekommenderad förberedelse och inställningar\n\nTillverkaren rekommenderar en systeminstruktion som beskriver miljön, användningsfallet och hur verktyg ska användas. Håll verktygsuppsättningen väldefinierad och begränsad till det minsta som uppgiften behöver. Ett litet uppslagningsflöde kan erbjuda funktionerna som är relevanta för den aktuella frågan, med tydligt namngivna obligatoriska argument, i stället för att presentera en stor samling orelaterade operationer.\n\nFör vardaglig användning och produktionsliknande användning rekommenderar modellkortet en temperatur under 0.1, med högre temperaturer tillgängliga för kreativ utforskning. Behandla detta som en rekommendation för instruktionsflödet, inte som en separat kontroll för resonemangsläge. Familjen har separata Base-, Instruct- och Reasoning-versioner; den här posten är utgåvan Instruct 2512, inte den separata Reasoning-utgåvan i samma storlek.\n\nFör bilder rekommenderar tillverkaren bildförhållanden nära 1:1 och att undvika mycket smala eller mycket breda indata. Beskär vid behov och bevara samtidigt de etiketter och det sammanhang som frågan behöver. Om en sida innehåller flera orelaterade områden anger du delen som ska granskas och resultatet som ska returneras. En läsbar, fokuserad bild är mer användbar än att be modellen gissa vilken liten detalj på en stor sida som är viktig.\n\nKontextens och utgåvans gränser\n\nPlanera text, bilder, samtal och önskat svar utifrån den konfigurerade kontexten. Användningsanvisningarna tillåter uttryckligen att den konfigurerade modellängden minskas när mindre kontext behövs, så hela fönstret är inte en instruktion att fylla varje begäran med allt tillgängligt material. Modellkortets genereringsexempel på 512 token är bara en exempelinställning, och de lästa källorna fastställer ingen separat strikt maximal svarslängd.\n\nFP8 Instruct-versionen, den förtränade Base-utgåvan och Reasoning-utgåvan är separata utgåvor. Tillverkaren beskriver också specialisering och finjustering som användningsfall. Bevara den namngivna modellversionen och dess tokenizer när samtalet förbereds och håll textgenerering skild från åtkomst till kodarkiv, funktionskörning eller andra åtgärder som den omgivande applikationen tillhandahåller.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "64a902388a5eb2c23c6880b672b07af5c4872085f4f5310cfefa7af1dfb101ca", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "mistralai/ministral-8b-2512:batchMinistral 3 8B Instruct 2512 är en flerspråkig instruktionsmodell för text och bilder med en språkkomponent på 8,4 miljarder parametrar och en bildkodare på 0,4 miljarder parametrar. Den stöder en kontext på 256k token enligt tillverkaren, systeminstruktioner, JSON och inbyggda funktionsanrop för assistenter och dokumentflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Ministral 3 8B Instruct 2512 är den mellanstora instruktionsanpassade modellen i Mistral AI:s Ministral 3-familj. Den publicerade modellversionen är eftertränad för chatt- och instruktionsuppgifter med FP8-precision. Den kombinerar en språkkomponent med en bildkodare, tar emot text och bilder och returnerar text snarare än en bild- eller ljudleverans.
Arkitektur och nyckelfunktioner
Tillverkaren anger en språkmodell med 8,4 miljarder parametrar och en bildkodare med 0,4 miljarder parametrar. Kontextfönstret beskrivs som 256k token, och de publicerade användningsanvisningarna använder en förinställd kontextlängd på 262 144. Dessa uppgifter beskriver utgåvan i 8B-storlek; familjens mindre 3B- och större 14B-modeller behåller sina egna komponentstorlekar och konfigurationer.
Bildförståelse utökar modellens indata bortom ett skriftligt samtal. En dokumentbild kan kombineras med en fråga om ett valt fält, stycke eller synligt samband. En skärmbild kan kombineras med användarens mål och en begäran att identifiera den relevanta kontrollen. Begär observationen som stöder varje slutsats när svaret beror på bilddetaljer, och bevara rubriker, etiketter och enheter som behövs för att tolka ett utsnitt.
Modellkortet beskriver flerspråkigt arbete på tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Det anger också följsamhet till systeminstruktioner, inbyggda funktionsanrop och JSON-utdata. Definiera målspråk, roll och utmatningskrav uttryckligen i stället för att låta modellen härleda den avsedda leveransen ur stora indata.
Dokument-, samtals- och agentuppgifter
Tillverkarens användningsfall omfattar chattgränssnitt, vardagsassistenter, bild- och dokumentbeskrivning, översättning, innehållsgenerering och specialiserade agenter. För en dokumentassistent tillhandahåller du sidan och anger informationen som ska returneras. En extraktionsbegäran kan ange fältetiketter, förväntade typer och hantering av saknade värden. Ett användbart svar kan innehålla dokumentidentifieraren, det extraherade värdet och en kort förklaring knuten till den synliga källan.
För ett pågående samtal behåller du det relevanta tidigare svaret och ställer en fokuserad följdfråga. En användare kan först begära en dokumentsammanfattning och sedan fråga vilken utsaga som stöder en slutsats. Det ändrar de nödvändiga utdata från en allmän översikt till en källanknuten förklaring, samtidigt som originalmaterialet och dialogens syfte behålls.
För flerspråkig redigering tillhandahåller du originalavsnittet, den avsedda läsaren och en terminologilista. Begär en reviderad version som bevarar namn, villkor och enheter, följd av en kort förklaring av ändringarna om det är användbart. För innehållsgenerering anger du målgruppen och fakta som ska finnas med innan du begär ett kort utkast eller en alternativ formulering.
I en agentuppgift tillhandahåller applikationen verktygen och deras parametrar. Modellen kan välja en funktion och förbereda argument, medan applikationen kör den och returnerar resultatet. Modellkortets funktionsexempel kombinerar en bildfråga med ett beräkningsverktyg. Håll verktygsresultatet skilt från det föreslagna anropet så att det efterföljande skriftliga svaret använder den information som operationen faktiskt returnerade.
Rekommenderad förberedelse och inställningar
Tillverkaren rekommenderar en systeminstruktion som beskriver miljön, användningsfallet och hur verktyg ska användas. Håll verktygsuppsättningen väldefinierad och begränsad till det minsta som uppgiften behöver. Ett litet uppslagningsflöde kan erbjuda funktionerna som är relevanta för den aktuella frågan, med tydligt namngivna obligatoriska argument, i stället för att presentera en stor samling orelaterade operationer.
För vardaglig användning och produktionsliknande användning rekommenderar modellkortet en temperatur under 0.1, med högre temperaturer tillgängliga för kreativ utforskning. Behandla detta som en rekommendation för instruktionsflödet, inte som en separat kontroll för resonemangsläge. Familjen har separata Base-, Instruct- och Reasoning-versioner; den här posten är utgåvan Instruct 2512, inte den separata Reasoning-utgåvan i samma storlek.
För bilder rekommenderar tillverkaren bildförhållanden nära 1:1 och att undvika mycket smala eller mycket breda indata. Beskär vid behov och bevara samtidigt de etiketter och det sammanhang som frågan behöver. Om en sida innehåller flera orelaterade områden anger du delen som ska granskas och resultatet som ska returneras. En läsbar, fokuserad bild är mer användbar än att be modellen gissa vilken liten detalj på en stor sida som är viktig.
Kontextens och utgåvans gränser
Planera text, bilder, samtal och önskat svar utifrån den konfigurerade kontexten. Användningsanvisningarna tillåter uttryckligen att den konfigurerade modellängden minskas när mindre kontext behövs, så hela fönstret är inte en instruktion att fylla varje begäran med allt tillgängligt material. Modellkortets genereringsexempel på 512 token är bara en exempelinställning, och de lästa källorna fastställer ingen separat strikt maximal svarslängd.
FP8 Instruct-versionen, den förtränade Base-utgåvan och Reasoning-utgåvan är separata utgåvor. Tillverkaren beskriver också specialisering och finjustering som användningsfall. Bevara den namngivna modellversionen och dess tokenizer när samtalet förbereds och håll textgenerering skild från åtkomst till kodarkiv, funktionskörning eller andra åtgärder som den omgivande applikationen tillhandahåller.
POST /v1/batchestexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältendpoint | Typstring | KravObligatoriskt | Värden & gränser /v1/chat/completions | Standard— |
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/ministral-8b-2512:batch | Standard— |
Fältrequests | Typbatch_item[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältrequests[].custom_id | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältrequests[].body.messages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältcompletion_window | Typstring | KravValfritt | Värden & gränser 24h | Standard— |
Fältprovider | Typobject|null | KravValfritt | Värden & gränser | Standard— |
Fältrequests[].body.model | Typstring | KravValfritt | Värden & gränser mistralai/ministral-8b-2512:batch, mistralai/ministral-8b-2512 | Standard— |
Fältprovider.only | Typstring[] | KravValfritt | Värden & gränser mistral | Standard— |
Fältprovider.allow_fallbacks | Typboolean|null | KravValfritt | Värden & gränser false, null | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalendpoint, model, requests |
Parametermaterial_types | Avtaltext |
Parameterrepresentation | AvtalInbäddade requests[]; varje objekt har custom_id och body |
Parameterrequest_endpoint_profile | Avtal/v1/chat/completions |
Parameterfile_material | AvtalDen anropande klienten kan läsa in faktiska UTF-8 JSONL-data lokalt i requests[]. Inget uppladdningssyfte, input_file_id eller någon filreferens används. Om kundmaterial saknas eller är tomt avbryts förberedelserna före POST. |
Parameterserialization_order | Avtalendpoint, model, provider (om angivet), completion_window (om angivet), requests sist |
Parameteroptional_controls | Avtalprovider.only, provider.allow_fallbacks, completion_window |
Parameterschema_scope | AvtalFörfrågningskroppar för Text Chat Completions i det dokumenterade inbäddade Batch-formatet. |
Livscykel: asynchronous
GET /v1/batches/{operation_id} · Det faktiska response.id från det ursprungliga skapandesvaret; samma användare/nyckel/grupp
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00015 / 1K token Utdata · Utdatatoken $0.00015 / 1K token Indata · Cacheläsning $0.000015 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.00015 / 1K token Utdata · Utdatatoken $0.00015 / 1K token Indata · Cacheläsning $0.000015 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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/ministral-8b-2512:batch","requests":[{"custom_id":"req-0001","body":{"messages":[{"role":"user","content":"Hello!"}],"max_tokens":16}}]}')\nPath("batch-request.json").write_text(json.dumps(body,ensure_ascii=False),encoding="utf-8")\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/batches \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @batch-request.json -D batch-response-headers.txt -o batch-create-response.json\nimport json, os\nfrom pathlib import Path\nfrom urllib.request import Request, urlopen\n\ndef prepare_requests(customer_path):\n path = Path(customer_path)\n if not path.is_file(): raise ValueError("Customer JSONL file is missing")\n items = [json.loads(line) for line in path.read_text(encoding="utf-8").splitlines() if line.strip()]\n if not items: raise ValueError("Customer JSONL contains no requests")\n ids = set()\n for item in items:\n if set(item) != {"custom_id", "body"}: raise ValueError("Each item needs custom_id and body")\n cid = item["custom_id"]\n if not isinstance(cid, str) or not cid.strip() or cid in ids: raise ValueError("custom_id must be nonempty and unique")\n ids.add(cid)\n if not isinstance(item["body"], dict) or not item["body"].get("messages"): raise ValueError("Supply actual text messages")\n supplied_model = item["body"].get("model")\n if supplied_model is not None and supplied_model not in ['mistralai/ministral-8b-2512:batch', 'mistralai/ministral-8b-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/ministral-8b-2512:batch", "requests":items}\n\nif __name__ == "__main__":\n material = os.environ.get("AILOOT_BATCH_REQUESTS_JSONL", "")\n if not material: raise SystemExit("Set AILOOT_BATCH_REQUESTS_JSONL to your actual customer file")\n body = prepare_requests(material)\n key = os.environ.get("AILOOT_API_KEY", "")\n if not key: raise SystemExit("Set AILOOT_API_KEY")\n request = Request("https://api.ailoot.ai/v1/batches", data=json.dumps(body, ensure_ascii=False).encode("utf-8"), headers={"Authorization":"Bearer " + key, "Content-Type":"application/json"}, method="POST")\n with urlopen(request) as response:\n raw = response.read()\n Path("batch-create-response.json").write_bytes(raw)\n print(raw.decode("utf-8"))\nimport json\nfrom pathlib import Path\nraw = Path("batch-status-response.json").read_bytes()\nresponse = json.loads(raw)\nif response.get("status") != "completed":\n raise SystemExit("Keep the original operation; read its status without resubmitting")\nresults = response.get("results")\nif not isinstance(results, list) or not results:\n raise SystemExit("Preserve the original response; completed results are missing")\nPath("batch-results.jsonl").write_text("".join(json.dumps(item, ensure_ascii=False) + "\\n" for item in results), encoding="utf-8")\n# Preserve batch-status-response.json with aggregate usage and every result/error.\nJSON i inbäddade 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\nBehåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela det ursprungliga statusobjektet i JSON, varje resultat/custom_id och hela svars- eller felkroppen. Spara slutförda results[] som JSONL utan filtrering.
Behåll det ursprungliga operations-ID:t. Vid 503 result_pending_check gäller X-Should-Retry:false; skicka aldrig om en ursprunglig batch med okänt utfall.
| Fält | Typ |
|---|---|
Fältresults[].custom_id | Typstring |
Fältresults[].response.body.choices[].message.content | Typstring|null |
Fältresults[].error | Typobject|null |
Fältusage | Typobject|null |
Fältid | Typstring |
Fältmodel | Typstring |
Fältendpoint | Typstring |
Fältstatus | Typstring |
Fältrequest_counts | Typobject |
Fältresults[].id | Typstring |
Fältresults[].response.status_code | Typinteger |
Fältresults[].response.request_id | Typstring |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorFörfrågan har ett ogiltigt inbäddat format enligt dokumentationen, duplicerade nycklar eller en felaktig objektidentitet, eller står i konflikt med modellens konfigurerade funktioner. | Nästa stegRätta de angivna fälten innan du skickar en ny förfrågan. |
Svar401 · authentication_error | VillkorOgiltig API-nyckel. | Nästa stegAnvänd den behöriga Ailoot-nyckeln. |
Svar403 · permission_error | VillkorGrupp för batchkörning är inte tillgänglig. | Nästa stegKontrollera nyckelns/gruppens behörighet. |
Svar422 · invalid_request_error | VillkorBatchkörning debiteras från saldot; skapande via abonnemang avvisas. | Nästa stegAnvänd den behöriga gruppen med saldodebitering. |
Svar422 · price_unavailable | VillkorKostnaden för batchindata kan inte beräknas i förväg. | Nästa stegSpara svaret; använd det dokumenterade indataformatet för API-familjen. |
Svar402 · billing_error | VillkorReservation för batchkörning är inte tillgänglig. | Nästa stegSe till att villkoren för att godta förfrågan är uppfyllda innan du skickar en ny. |
Svar503 · price_unavailable | VillkorPriset för batchmetoden eller de inbyggda priserna är inte tillgängliga. | Nästa stegSpara svaret; ersätt inte priserna med andra. |
Svar503 · api_error | VillkorDen exakta leverantörsrutten är inte tillgänglig. | Nästa stegSpara svaret för att kunna reparera routningen. |
Svar503 · result_pending_check | VillkorDet ursprungliga resultatet behöver kontrolleras; X-Should-Retry:false. | Nästa stegBehåll det ursprungliga värdet för operation_id/id och läs av operationens status; upprepa aldrig det ursprungliga POST-anropet. |
Svar404 · not_found | VillkorOperationen för batchstatus saknas eller tillhör en annan identitet. | Nästa stegAnvänd exakt det ursprungliga id-värdet och samma användare/nyckel/grupp. |
Ailoot Ultra mistralai/ministral-8b-2512:batch
Använd metodsökvägarna som visas ovan.