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": { "practical_html": "Tekniskt exempel på engelska
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.mistralai/mistral-large-2512Mistral 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/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-large-2512 | 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 $0.0022 / 1K token Utdata · Utdatatoken $0.0066 / 1K token Indata · Cacheläsning $0.0001 / 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 $0.0022 / 1K token Utdata · Utdatatoken $0.0066 / 1K token Indata · Cacheläsning $0.0001 / 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-2512", "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-2512',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-2512',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-2512
Använd metodsökvägarna som visas ovan.
mistralai/mistral-large-2512Mistral 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/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-large-2512 | 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 $0.0022 / 1K token Utdata · Utdatatoken $0.0066 / 1K token Indata · Cacheläsning $0.0001 / 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 $0.0022 / 1K token Utdata · Utdatatoken $0.0066 / 1K token Indata · Cacheläsning $0.0001 / 1K token Indata · Skrivning till cache $0 / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-large-2512",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-2512', '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-2512', '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-2512
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Compare onboarding policies\n\nCompare onboarding policies. A section 1 requires manager approval and identity verification before access. B section 3 requires manager approval before access and identity verification within seven days afterward. List the shared requirement, the conflict and a question for the policy owner. Keep the source section beside each finding.A source-linked comparison of shared and conflicting requirements plus one policy decision question.Check that both policies’ timing for identity verification remains explicit and that neither is silently treated as authoritative.