Mistral Large 3 2512 är Mistral AI:s instruktionsanpassade utgåva för allmänna samtal, bildförståelse och företagsarbete. Dess glesa mixture-of-experts-arkitektur har totalt 675 miljarder parametrar, varav 41 miljarder aktiva, och ett kontextfönster på 256k token. Text och bilder kan bidra till samma uppgift, medan svaret är text, kod eller ett strukturerat resultat.
Funktioner och förberedelse av indata
Modellen kombinerar en språkkomponent med en bildkodare. Ge en bild en tydlig roll: en sida att läsa, ett diagram att tolka eller en skärm att förklara. För en innehållsrik skärm tillhandahåller du ett utsnitt med relevanta kontroller och bevarar de omgivande etiketter som behövs för att förstå dem. Mistral rekommenderar bildformer nära kvadratiska; dela en ovanligt smal eller bred källa i användbara områden i stället för att krympa viktiga detaljer till en oläsbar remsa.
Tillverkaren listar flerspråkiga samtal på tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Ange utmatningsspråk, avsedd läsare och terminologi som ska bevaras. För en supportartikel begär du en lokaliserad förklaring med oförändrade produktnamn och en kort lista över osäkra översättningar som ska lösas före publicering.
Långa dokument och företagskunskap
Använd kontexten för att samla relaterat material: policytext, en specifikation, befintliga beslut och frågan som behöver ett svar. Märk upp varje källa och dess revision. En användbar begäran är: ”Jämför dessa tre introduktionspolicyer. Returnera en tabell över gemensamma krav, konflikter och obesvarade frågor, med källavsnittet för varje slutsats.” Den resulterande leveransen är en jämförelse förankrad i de tillhandahållna avsnitten snarare än en generell sammanfattning av ämnet.
För en dokumentfråga anger du önskad detaljnivå och begär det stödjande avsnittet bredvid slutsatsen. Mistrals Document QnA-flöde extraherar först text och dokumentstruktur med OCR och använder sedan en språkmodell för att tolka materialet. Bevara sidnummer och rubriker när du förbereder extraherad text så att svaret kan hänvisa tillbaka till originalet. En dokument-URL, extraherad text och bildunderlag har olika förberedelsekrav; välj den indataform som stöds av applikationen du använder.
Kodning och vardaglig assistans
Mistral positionerar Large 3 för kodassistans såväl som vardagliga samtal. Tillhandahåll relevanta funktioner, förväntat beteende och det observerade felet. Exempelvis: ”Den här parsern tappar det sista fältet när indata slutar utan en radbrytning. Förklara den felande grenen, föreslå den minsta ändringen och returnera den korrigerade funktionen med tre representativa exempel på indata och utdata.” Det användbara resultatet är en föreslagen ändring knuten till den faktiska koden och en uppsättning fall som utvecklaren kan köra.
För ett affärsdokument tillhandahåller du fakta och önskad leverans tillsammans. En begäran om att omvandla mötesanteckningar till ett beslutsunderlag bör ange beslutet, alternativen, de olösta antagandena och nästa åtgärd. Be modellen hålla fakta från källan åtskilda från rekommendationer och markera saknad information i rätt avsnitt. Det gör utdata lättare att revidera än en odifferentierad berättande text.
Verktyg och strukturerade resultat
Inbyggda funktionsanrop låter modellen välja en tillhandahållen funktion och förbereda argumenten. Applikationen kör funktionen och returnerar resultatet; modellen använder sedan den returnerade informationen i svaret. Håll verktygen specifika och exponera bara de som behövs för uppgiften. En lagerkontrollassistent kan få en produktreferens, begära en lageruppslagning och förklara returnerad kvantitet och lagerplats. Validera den valda funktionen och argumenten innan begäran körs och bevara verktygssvaret tillsammans med det slutliga svaret.
För extraktion anger du fält, typer och hantering av saknade värden. Mistral dokumenterar JSON-läge och anpassade strukturerade utdata; JSON-läget kräver en uttrycklig instruktion att returnera JSON, medan ett anpassat schema ger starkare formatstyrning. En fakturasammanfattning kan efterfråga leverantör, fakturanummer, förfallodatum, valuta och fakturarader, med saknade värden representerade konsekvent. Granska de extraherade värdena mot dokumentet även när svaret följer den begärda strukturen.
Inställningar och skillnader mellan utgåvor
Definiera rollen, uppgiften och verktygsreglerna i systeminstruktionerna. Mistral rekommenderar en temperatur under 0.1 för produktionsbruk och vardaglig användning av den här modellversionen, med högre värden att utforska för kreativa uppgifter. Skilj en begäran om varierade idéer från en begäran om reproducerbar extraktion: ge den förra utrymme för alternativ och den senare uttryckliga fält och källbegränsningar.
Den här instruktionsutgåvan är skild från basversionen av Large 3 och från särskilda resonemangsmodeller. Tillverkaren identifierar strikt resonemang och specialiserat bildarbete som områden där en modell som utformats särskilt för dessa uppgifter kan vara att föredra. För en svår beräkning tillhandahåller du antaganden och enheter, begär mellanliggande kontroller och använder ett tillgängligt beräkningsverktyg för att verifiera resultatet. För tätt visuellt underlag förbereder du läsbara områden och jämför svaret med källan innan du använder det i en rapport.
", "aboutText": "Mistral Large 3 2512 är Mistral AI:s instruktionsanpassade utgåva för allmänna samtal, bildförståelse och företagsarbete. Dess glesa mixture-of-experts-arkitektur har totalt 675 miljarder parametrar, varav 41 miljarder aktiva, och ett kontextfönster på 256k token. Text och bilder kan bidra till samma uppgift, medan svaret är text, kod eller ett strukturerat resultat.\n\nFunktioner och förberedelse av indata\n\nModellen kombinerar en språkkomponent med en bildkodare. Ge en bild en tydlig roll: en sida att läsa, ett diagram att tolka eller en skärm att förklara. För en innehållsrik skärm tillhandahåller du ett utsnitt med relevanta kontroller och bevarar de omgivande etiketter som behövs för att förstå dem. Mistral rekommenderar bildformer nära kvadratiska; dela en ovanligt smal eller bred källa i användbara områden i stället för att krympa viktiga detaljer till en oläsbar remsa.\n\nTillverkaren listar flerspråkiga samtal på tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Ange utmatningsspråk, avsedd läsare och terminologi som ska bevaras. För en supportartikel begär du en lokaliserad förklaring med oförändrade produktnamn och en kort lista över osäkra översättningar som ska lösas före publicering.\n\nLånga dokument och företagskunskap\n\nAnvänd kontexten för att samla relaterat material: policytext, en specifikation, befintliga beslut och frågan som behöver ett svar. Märk upp varje källa och dess revision. En användbar begäran är: ”Jämför dessa tre introduktionspolicyer. Returnera en tabell över gemensamma krav, konflikter och obesvarade frågor, med källavsnittet för varje slutsats.” Den resulterande leveransen är en jämförelse förankrad i de tillhandahållna avsnitten snarare än en generell sammanfattning av ämnet.\n\nFör en dokumentfråga anger du önskad detaljnivå och begär det stödjande avsnittet bredvid slutsatsen. Mistrals Document QnA-flöde extraherar först text och dokumentstruktur med OCR och använder sedan en språkmodell för att tolka materialet. Bevara sidnummer och rubriker när du förbereder extraherad text så att svaret kan hänvisa tillbaka till originalet. En dokument-URL, extraherad text och bildunderlag har olika förberedelsekrav; välj den indataform som stöds av applikationen du använder.\n\nKodning och vardaglig assistans\n\nMistral positionerar Large 3 för kodassistans såväl som vardagliga samtal. Tillhandahåll relevanta funktioner, förväntat beteende och det observerade felet. Exempelvis: ”Den här parsern tappar det sista fältet när indata slutar utan en radbrytning. Förklara den felande grenen, föreslå den minsta ändringen och returnera den korrigerade funktionen med tre representativa exempel på indata och utdata.” Det användbara resultatet är en föreslagen ändring knuten till den faktiska koden och en uppsättning fall som utvecklaren kan köra.\n\nFör ett affärsdokument tillhandahåller du fakta och önskad leverans tillsammans. En begäran om att omvandla mötesanteckningar till ett beslutsunderlag bör ange beslutet, alternativen, de olösta antagandena och nästa åtgärd. Be modellen hålla fakta från källan åtskilda från rekommendationer och markera saknad information i rätt avsnitt. Det gör utdata lättare att revidera än en odifferentierad berättande text.\n\nVerktyg och strukturerade resultat\n\nInbyggda funktionsanrop låter modellen välja en tillhandahållen funktion och förbereda argumenten. Applikationen kör funktionen och returnerar resultatet; modellen använder sedan den returnerade informationen i svaret. Håll verktygen specifika och exponera bara de som behövs för uppgiften. En lagerkontrollassistent kan få en produktreferens, begära en lageruppslagning och förklara returnerad kvantitet och lagerplats. Validera den valda funktionen och argumenten innan begäran körs och bevara verktygssvaret tillsammans med det slutliga svaret.\n\nFör extraktion anger du fält, typer och hantering av saknade värden. Mistral dokumenterar JSON-läge och anpassade strukturerade utdata; JSON-läget kräver en uttrycklig instruktion att returnera JSON, medan ett anpassat schema ger starkare formatstyrning. En fakturasammanfattning kan efterfråga leverantör, fakturanummer, förfallodatum, valuta och fakturarader, med saknade värden representerade konsekvent. Granska de extraherade värdena mot dokumentet även när svaret följer den begärda strukturen.\n\nInställningar och skillnader mellan utgåvor\n\nDefiniera rollen, uppgiften och verktygsreglerna i systeminstruktionerna. Mistral rekommenderar en temperatur under 0.1 för produktionsbruk och vardaglig användning av den här modellversionen, med högre värden att utforska för kreativa uppgifter. Skilj en begäran om varierade idéer från en begäran om reproducerbar extraktion: ge den förra utrymme för alternativ och den senare uttryckliga fält och källbegränsningar.\n\nDen här instruktionsutgåvan är skild från basversionen av Large 3 och från särskilda resonemangsmodeller. Tillverkaren identifierar strikt resonemang och specialiserat bildarbete som områden där en modell som utformats särskilt för dessa uppgifter kan vara att föredra. För en svår beräkning tillhandahåller du antaganden och enheter, begär mellanliggande kontroller och använder ett tillgängligt beräkningsverktyg för att verifiera resultatet. För tätt visuellt underlag förbereder du läsbara områden och jämför svaret med källan innan du använder det i en rapport.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "05a3162e07ed2874c9b558d81d3a8bb0905bdb5fe19049dbb1a3aa438399305d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "mistralai/mistral-large-2512:batchMistral Large 3 2512 är en flerspråkig modell för text och bilder, avsedd för långa dokument, företagskunskap, kodning och arbete med verktygsstöd. Kontexten på 256k token, inbyggda funktionsanrop och strukturerade utdata hjälper till att omvandla tillhandahållet underlag till svar, poster och föreslagna åtgärder.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Large 3 2512 är Mistral AI:s instruktionsanpassade utgåva för allmänna samtal, bildförståelse och företagsarbete. Dess glesa mixture-of-experts-arkitektur har totalt 675 miljarder parametrar, varav 41 miljarder aktiva, och ett kontextfönster på 256k token. Text och bilder kan bidra till samma uppgift, medan svaret är text, kod eller ett strukturerat resultat.
Funktioner och förberedelse av indata
Modellen kombinerar en språkkomponent med en bildkodare. Ge en bild en tydlig roll: en sida att läsa, ett diagram att tolka eller en skärm att förklara. För en innehållsrik skärm tillhandahåller du ett utsnitt med relevanta kontroller och bevarar de omgivande etiketter som behövs för att förstå dem. Mistral rekommenderar bildformer nära kvadratiska; dela en ovanligt smal eller bred källa i användbara områden i stället för att krympa viktiga detaljer till en oläsbar remsa.
Tillverkaren listar flerspråkiga samtal på tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Ange utmatningsspråk, avsedd läsare och terminologi som ska bevaras. För en supportartikel begär du en lokaliserad förklaring med oförändrade produktnamn och en kort lista över osäkra översättningar som ska lösas före publicering.
Långa dokument och företagskunskap
Använd kontexten för att samla relaterat material: policytext, en specifikation, befintliga beslut och frågan som behöver ett svar. Märk upp varje källa och dess revision. En användbar begäran är: ”Jämför dessa tre introduktionspolicyer. Returnera en tabell över gemensamma krav, konflikter och obesvarade frågor, med källavsnittet för varje slutsats.” Den resulterande leveransen är en jämförelse förankrad i de tillhandahållna avsnitten snarare än en generell sammanfattning av ämnet.
För en dokumentfråga anger du önskad detaljnivå och begär det stödjande avsnittet bredvid slutsatsen. Mistrals Document QnA-flöde extraherar först text och dokumentstruktur med OCR och använder sedan en språkmodell för att tolka materialet. Bevara sidnummer och rubriker när du förbereder extraherad text så att svaret kan hänvisa tillbaka till originalet. En dokument-URL, extraherad text och bildunderlag har olika förberedelsekrav; välj den indataform som stöds av applikationen du använder.
Kodning och vardaglig assistans
Mistral positionerar Large 3 för kodassistans såväl som vardagliga samtal. Tillhandahåll relevanta funktioner, förväntat beteende och det observerade felet. Exempelvis: ”Den här parsern tappar det sista fältet när indata slutar utan en radbrytning. Förklara den felande grenen, föreslå den minsta ändringen och returnera den korrigerade funktionen med tre representativa exempel på indata och utdata.” Det användbara resultatet är en föreslagen ändring knuten till den faktiska koden och en uppsättning fall som utvecklaren kan köra.
För ett affärsdokument tillhandahåller du fakta och önskad leverans tillsammans. En begäran om att omvandla mötesanteckningar till ett beslutsunderlag bör ange beslutet, alternativen, de olösta antagandena och nästa åtgärd. Be modellen hålla fakta från källan åtskilda från rekommendationer och markera saknad information i rätt avsnitt. Det gör utdata lättare att revidera än en odifferentierad berättande text.
Verktyg och strukturerade resultat
Inbyggda funktionsanrop låter modellen välja en tillhandahållen funktion och förbereda argumenten. Applikationen kör funktionen och returnerar resultatet; modellen använder sedan den returnerade informationen i svaret. Håll verktygen specifika och exponera bara de som behövs för uppgiften. En lagerkontrollassistent kan få en produktreferens, begära en lageruppslagning och förklara returnerad kvantitet och lagerplats. Validera den valda funktionen och argumenten innan begäran körs och bevara verktygssvaret tillsammans med det slutliga svaret.
För extraktion anger du fält, typer och hantering av saknade värden. Mistral dokumenterar JSON-läge och anpassade strukturerade utdata; JSON-läget kräver en uttrycklig instruktion att returnera JSON, medan ett anpassat schema ger starkare formatstyrning. En fakturasammanfattning kan efterfråga leverantör, fakturanummer, förfallodatum, valuta och fakturarader, med saknade värden representerade konsekvent. Granska de extraherade värdena mot dokumentet även när svaret följer den begärda strukturen.
Inställningar och skillnader mellan utgåvor
Definiera rollen, uppgiften och verktygsreglerna i systeminstruktionerna. Mistral rekommenderar en temperatur under 0.1 för produktionsbruk och vardaglig användning av den här modellversionen, med högre värden att utforska för kreativa uppgifter. Skilj en begäran om varierade idéer från en begäran om reproducerbar extraktion: ge den förra utrymme för alternativ och den senare uttryckliga fält och källbegränsningar.
Den här instruktionsutgåvan är skild från basversionen av Large 3 och från särskilda resonemangsmodeller. Tillverkaren identifierar strikt resonemang och specialiserat bildarbete som områden där en modell som utformats särskilt för dessa uppgifter kan vara att föredra. För en svår beräkning tillhandahåller du antaganden och enheter, begär mellanliggande kontroller och använder ett tillgängligt beräkningsverktyg för att verifiera resultatet. För tätt visuellt underlag förbereder du läsbara områden och jämför svaret med källan innan du använder det i en rapport.
POST /v1/batchestexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältendpoint | Typstring | KravObligatoriskt | Värden & gränser /v1/chat/completions | Standard— |
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-large-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/mistral-large-2512:batch, mistralai/mistral-large-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 $0.0005 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning $0.00005 / 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 $0.0005 / 1K token Utdata · Utdatatoken $0.0015 / 1K token Indata · Cacheläsning $0.00005 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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/mistral-large-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/mistral-large-2512:batch', 'mistralai/mistral-large-2512']: raise ValueError("body.model must be an exact documented caller or wire ID")\n return {"endpoint":"/v1/chat/completions", "model":"mistralai/mistral-large-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/mistral-large-2512:batch
Använd metodsökvägarna som visas ovan.