Mistral Large 2407 är utgåvan 24.07 av Mistral AI:s Mistral Large 2. Den är en tät språkmodell med 123 miljarder parametrar och ett kontextfönster på 128K token. Modellen bearbetar skriftliga instruktioner och samtal för att generera text, kod eller JSON. Den här fasta utgåvan förblir skild från de senare multimodala Large-generationerna och från ett föränderligt val inom Large-familjen.
Flerspråkigt arbete är centralt för utgåvan. Producenten beskriver stöd för tiotals språk, däribland engelska, franska, tyska, spanska, italienska, portugisiska, nederländska, ryska, kinesiska, japanska, koreanska, arabiska och hindi. För en dokumentuppgift anger du källspråk, svarsspråk och eventuell terminologi som ska lämnas oförändrad. Ett användbart resultat kan jämföra två avsnitt, sammanfatta en lång redogörelse eller extrahera information som behövs för ett affärsbeslut.
Kodning är ett annat huvudfokus: träningen omfattar fler än 80 programmeringsspråk, inklusive Python, Java, C, C++, JavaScript, Bash, Swift och Fortran. Förbered en mjukvaruuppgift med relevant kod, förväntat beteende och begränsningen som ska bevaras. Begär den föreslagna ändringen och resonemanget bakom den, följt av kontroller som behandlar det observerade felet. Det knyter den genererade koden till ett definierat resultat i stället för att lämna uppgiften vid ett rimligt kodfragment.
Utgåvan framhåller matematiskt resonemang, precis instruktionsföljning och långa samtal med flera turer. Träningen uppmuntrar kortfattade svar och att erkänna saknad information när underlaget inte räcker för en säker lösning. En problemlösningsprompt kan ange premisserna och begära slutsatsen, de mellanled som är viktiga och eventuella saknade indata. Uppföljande turer kan precisera en begränsning samtidigt som det etablerade samtalet finns tillgängligt.
Inbyggda funktionsanrop stöder både parallella och efterföljande anrop, och JSON-utdata kan föra information vidare till en applikation. Beskriv de tillgängliga funktionerna och deras indatafält och ange sedan användarens mål. Modellen föreslår funktionsanropen; applikationen kör dem och returnerar resultaten innan modellen fortsätter. Bevara kopplingen mellan anrop och resultat under hela utbytet. De publicerade exemplen för den specifika utgåvan använder verktygsanropsidentifierare med nio alfanumeriska tecken i producentens protokoll.
För hämtningsbaserat arbete tillhandahåller du relevant material eller låter den omgivande applikationen hämta det. Begär att svaret identifierar det avsnitt som stöder varje slutsats. En policyassistent kan exempelvis jämföra en användares situation med den tillhandahållna policyn och returnera den tillämpliga regeln, underlaget och nästa fråga att lösa. En JSON-extraktionsuppgift bör definiera obligatoriska fält och hanteringen av information som saknas i källan. JSON-generering är en modellfunktion; applikationen kontrollerar fortfarande om resultatet följer den nödvändiga strukturen.
Den publicerade instruct-versionen saknar inbyggda modereringsmekanismer, vilket modellkortet uttryckligen påpekar. En applikation som kräver modererade utdata behöver egna kontroller. Modellens långa kontext är också en ändlig resurs: förbered relevanta dokumentavsnitt och samtalet så att det begärda svaret får plats tillsammans med indata.
", "aboutText": "Mistral Large 2407 är utgåvan 24.07 av Mistral AI:s Mistral Large 2. Den är en tät språkmodell med 123 miljarder parametrar och ett kontextfönster på 128K token. Modellen bearbetar skriftliga instruktioner och samtal för att generera text, kod eller JSON. Den här fasta utgåvan förblir skild från de senare multimodala Large-generationerna och från ett föränderligt val inom Large-familjen.\n\nFlerspråkigt arbete är centralt för utgåvan. Producenten beskriver stöd för tiotals språk, däribland engelska, franska, tyska, spanska, italienska, portugisiska, nederländska, ryska, kinesiska, japanska, koreanska, arabiska och hindi. För en dokumentuppgift anger du källspråk, svarsspråk och eventuell terminologi som ska lämnas oförändrad. Ett användbart resultat kan jämföra två avsnitt, sammanfatta en lång redogörelse eller extrahera information som behövs för ett affärsbeslut.\n\nKodning är ett annat huvudfokus: träningen omfattar fler än 80 programmeringsspråk, inklusive Python, Java, C, C++, JavaScript, Bash, Swift och Fortran. Förbered en mjukvaruuppgift med relevant kod, förväntat beteende och begränsningen som ska bevaras. Begär den föreslagna ändringen och resonemanget bakom den, följt av kontroller som behandlar det observerade felet. Det knyter den genererade koden till ett definierat resultat i stället för att lämna uppgiften vid ett rimligt kodfragment.\n\nUtgåvan framhåller matematiskt resonemang, precis instruktionsföljning och långa samtal med flera turer. Träningen uppmuntrar kortfattade svar och att erkänna saknad information när underlaget inte räcker för en säker lösning. En problemlösningsprompt kan ange premisserna och begära slutsatsen, de mellanled som är viktiga och eventuella saknade indata. Uppföljande turer kan precisera en begränsning samtidigt som det etablerade samtalet finns tillgängligt.\n\nInbyggda funktionsanrop stöder både parallella och efterföljande anrop, och JSON-utdata kan föra information vidare till en applikation. Beskriv de tillgängliga funktionerna och deras indatafält och ange sedan användarens mål. Modellen föreslår funktionsanropen; applikationen kör dem och returnerar resultaten innan modellen fortsätter. Bevara kopplingen mellan anrop och resultat under hela utbytet. De publicerade exemplen för den specifika utgåvan använder verktygsanropsidentifierare med nio alfanumeriska tecken i producentens protokoll.\n\nFör hämtningsbaserat arbete tillhandahåller du relevant material eller låter den omgivande applikationen hämta det. Begär att svaret identifierar det avsnitt som stöder varje slutsats. En policyassistent kan exempelvis jämföra en användares situation med den tillhandahållna policyn och returnera den tillämpliga regeln, underlaget och nästa fråga att lösa. En JSON-extraktionsuppgift bör definiera obligatoriska fält och hanteringen av information som saknas i källan. JSON-generering är en modellfunktion; applikationen kontrollerar fortfarande om resultatet följer den nödvändiga strukturen.\n\nDen publicerade instruct-versionen saknar inbyggda modereringsmekanismer, vilket modellkortet uttryckligen påpekar. En applikation som kräver modererade utdata behöver egna kontroller. Modellens långa kontext är också en ändlig resurs: förbered relevanta dokumentavsnitt och samtalet så att det begärda svaret får plats tillsammans med indata.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.mistralai/mistral-large-2407Mistral Large 2407 är den täta utgåvan Mistral Large 2 med 123 miljarder parametrar för flerspråkig text, kodning och resonemang över en kontext på 128K token. Inbyggda funktionsanrop, JSON-utdata och instruktionsföljning över flera samtalsturer stöder dokument- och affärsflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Large 2407 är utgåvan 24.07 av Mistral AI:s Mistral Large 2. Den är en tät språkmodell med 123 miljarder parametrar och ett kontextfönster på 128K token. Modellen bearbetar skriftliga instruktioner och samtal för att generera text, kod eller JSON. Den här fasta utgåvan förblir skild från de senare multimodala Large-generationerna och från ett föränderligt val inom Large-familjen.
Flerspråkigt arbete är centralt för utgåvan. Producenten beskriver stöd för tiotals språk, däribland engelska, franska, tyska, spanska, italienska, portugisiska, nederländska, ryska, kinesiska, japanska, koreanska, arabiska och hindi. För en dokumentuppgift anger du källspråk, svarsspråk och eventuell terminologi som ska lämnas oförändrad. Ett användbart resultat kan jämföra två avsnitt, sammanfatta en lång redogörelse eller extrahera information som behövs för ett affärsbeslut.
Kodning är ett annat huvudfokus: träningen omfattar fler än 80 programmeringsspråk, inklusive Python, Java, C, C++, JavaScript, Bash, Swift och Fortran. Förbered en mjukvaruuppgift med relevant kod, förväntat beteende och begränsningen som ska bevaras. Begär den föreslagna ändringen och resonemanget bakom den, följt av kontroller som behandlar det observerade felet. Det knyter den genererade koden till ett definierat resultat i stället för att lämna uppgiften vid ett rimligt kodfragment.
Utgåvan framhåller matematiskt resonemang, precis instruktionsföljning och långa samtal med flera turer. Träningen uppmuntrar kortfattade svar och att erkänna saknad information när underlaget inte räcker för en säker lösning. En problemlösningsprompt kan ange premisserna och begära slutsatsen, de mellanled som är viktiga och eventuella saknade indata. Uppföljande turer kan precisera en begränsning samtidigt som det etablerade samtalet finns tillgängligt.
Inbyggda funktionsanrop stöder både parallella och efterföljande anrop, och JSON-utdata kan föra information vidare till en applikation. Beskriv de tillgängliga funktionerna och deras indatafält och ange sedan användarens mål. Modellen föreslår funktionsanropen; applikationen kör dem och returnerar resultaten innan modellen fortsätter. Bevara kopplingen mellan anrop och resultat under hela utbytet. De publicerade exemplen för den specifika utgåvan använder verktygsanropsidentifierare med nio alfanumeriska tecken i producentens protokoll.
För hämtningsbaserat arbete tillhandahåller du relevant material eller låter den omgivande applikationen hämta det. Begär att svaret identifierar det avsnitt som stöder varje slutsats. En policyassistent kan exempelvis jämföra en användares situation med den tillhandahållna policyn och returnera den tillämpliga regeln, underlaget och nästa fråga att lösa. En JSON-extraktionsuppgift bör definiera obligatoriska fält och hanteringen av information som saknas i källan. JSON-generering är en modellfunktion; applikationen kontrollerar fortfarande om resultatet följer den nödvändiga strukturen.
Den publicerade instruct-versionen saknar inbyggda modereringsmekanismer, vilket modellkortet uttryckligen påpekar. En applikation som kräver modererade utdata behöver egna kontroller. Modellens långa kontext är också en ändlig resurs: förbered relevanta dokumentavsnitt och samtalet så att det begärda svaret får plats tillsammans med indata.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-large-2407 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
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 $0.01 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.0004 / 1K token Indata · Skrivning till cache $0 / 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 $0.01 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.0004 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-2407", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-large-2407',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-large-2407',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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra mistralai/mistral-large-2407
Använd metodsökvägarna som visas ovan.
mistralai/mistral-large-2407Mistral Large 2407 är den täta utgåvan Mistral Large 2 med 123 miljarder parametrar för flerspråkig text, kodning och resonemang över en kontext på 128K token. Inbyggda funktionsanrop, JSON-utdata och instruktionsföljning över flera samtalsturer stöder dokument- och affärsflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Large 2407 är utgåvan 24.07 av Mistral AI:s Mistral Large 2. Den är en tät språkmodell med 123 miljarder parametrar och ett kontextfönster på 128K token. Modellen bearbetar skriftliga instruktioner och samtal för att generera text, kod eller JSON. Den här fasta utgåvan förblir skild från de senare multimodala Large-generationerna och från ett föränderligt val inom Large-familjen.
Flerspråkigt arbete är centralt för utgåvan. Producenten beskriver stöd för tiotals språk, däribland engelska, franska, tyska, spanska, italienska, portugisiska, nederländska, ryska, kinesiska, japanska, koreanska, arabiska och hindi. För en dokumentuppgift anger du källspråk, svarsspråk och eventuell terminologi som ska lämnas oförändrad. Ett användbart resultat kan jämföra två avsnitt, sammanfatta en lång redogörelse eller extrahera information som behövs för ett affärsbeslut.
Kodning är ett annat huvudfokus: träningen omfattar fler än 80 programmeringsspråk, inklusive Python, Java, C, C++, JavaScript, Bash, Swift och Fortran. Förbered en mjukvaruuppgift med relevant kod, förväntat beteende och begränsningen som ska bevaras. Begär den föreslagna ändringen och resonemanget bakom den, följt av kontroller som behandlar det observerade felet. Det knyter den genererade koden till ett definierat resultat i stället för att lämna uppgiften vid ett rimligt kodfragment.
Utgåvan framhåller matematiskt resonemang, precis instruktionsföljning och långa samtal med flera turer. Träningen uppmuntrar kortfattade svar och att erkänna saknad information när underlaget inte räcker för en säker lösning. En problemlösningsprompt kan ange premisserna och begära slutsatsen, de mellanled som är viktiga och eventuella saknade indata. Uppföljande turer kan precisera en begränsning samtidigt som det etablerade samtalet finns tillgängligt.
Inbyggda funktionsanrop stöder både parallella och efterföljande anrop, och JSON-utdata kan föra information vidare till en applikation. Beskriv de tillgängliga funktionerna och deras indatafält och ange sedan användarens mål. Modellen föreslår funktionsanropen; applikationen kör dem och returnerar resultaten innan modellen fortsätter. Bevara kopplingen mellan anrop och resultat under hela utbytet. De publicerade exemplen för den specifika utgåvan använder verktygsanropsidentifierare med nio alfanumeriska tecken i producentens protokoll.
För hämtningsbaserat arbete tillhandahåller du relevant material eller låter den omgivande applikationen hämta det. Begär att svaret identifierar det avsnitt som stöder varje slutsats. En policyassistent kan exempelvis jämföra en användares situation med den tillhandahållna policyn och returnera den tillämpliga regeln, underlaget och nästa fråga att lösa. En JSON-extraktionsuppgift bör definiera obligatoriska fält och hanteringen av information som saknas i källan. JSON-generering är en modellfunktion; applikationen kontrollerar fortfarande om resultatet följer den nödvändiga strukturen.
Den publicerade instruct-versionen saknar inbyggda modereringsmekanismer, vilket modellkortet uttryckligen påpekar. En applikation som kräver modererade utdata behöver egna kontroller. Modellens långa kontext är också en ändlig resurs: förbered relevanta dokumentavsnitt och samtalet så att det begärda svaret får plats tillsammans med indata.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-large-2407 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
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 $0.01 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.0004 / 1K token Indata · Skrivning till cache $0 / 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 $0.01 / 1K token Utdata · Utdatatoken $0.02 / 1K token Indata · Cacheläsning $0.0004 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-large-2407",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2407', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-large-2407', '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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra mistralai/mistral-large-2407
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Reconcile bilingual product instructions\n\nCompare these instructions and answer in English. French source: 'Nettoyer avec un chiffon humide. Ne pas immerger. Sécher avant rangement.' English draft: 'Wash in water and store immediately.' Identify each meaning that the draft changes or omits, then provide a corrected English version. Preserve the source's sequence and avoid adding cleaning products or temperature limits.A short discrepancy list and a corrected English instruction preserving all three source directions.The correction retains wiping, the prohibition on immersion and drying before storage.