Mistral Large 4 är Mistral AI:s allmänna multimodala modell som kombinerar instruktionsföljning, resonemang, kodning och agentarbete. Den tar emot text och bilder och producerar text, inklusive förklaringar, kod och strukturerade fält. Dess finfördelade mixture-of-experts-arkitektur använder utvalda komponenter för varje token i stället för att aktivera hela parameteruppsättningen samtidigt.
Arkitektur och kontext
Den aktuella modellsidan anger totalt 1,05 biljoner parametrar, 52 miljarder aktiva parametrar och en bildkodare med 1,6 miljarder parametrar. Tillverkarens utgåvesida förtydligar räknesättet: 49 miljarder aktiva parametrar per token, eller 52 miljarder inklusive inbäddningar och utdatalager. Siffrorna beskriver modellens struktur snarare än längden på ett svar.
Tillverkaren dokumenterar ett kontextfönster på en miljon token. Använd det för att samla omfattande källmaterial, samtalet och instruktionerna, samtidigt som du definierar syftet med den slutliga leveransen. För en fråga som omfattar flera dokument identifierar du varje dokument och dess roll och begär en källhänvisning bredvid varje slutsats. En stor kontext är användbar när krav, diagram och relaterade förklaringar måste beaktas tillsammans.
Strukturerade svar och dokumentfrågor
Modellkortet listar strukturerade utdata, funktionsanrop, frågor om dokument, svarsprefix, batchinskickning och agentsamtal. Mistrals dokumentation för strukturerade utdata skiljer JSON-läge från ett anpassat schema. Ange det önskade JSON-formatet i prompten; använd ett definierat schema när det anslutna gränssnittet behöver en viss fältstruktur. En post kan skilja fakta från källan, tolkningar och öppna frågor åt i stället för att kombinera dem i ett enda stycke.
Frågor om dokument är ett arbetsflöde som kombinerar dokumentbearbetning med språkmodellens förståelse. OCR förbereder text, struktur och formatering, varefter modellen besvarar en fråga om materialet. En begäran kan lokalisera ett krav, jämföra utsagor mellan dokument eller sammanfatta underlaget för ett beslut. Direkt bildförståelse och ett OCR-assisterat dokumentflöde är relaterade sätt att förbereda underlag; ett dokumentbearbetningssteg förblir skilt från bildindata.
Tillhandahåll exempelvis en teknisk specifikation och ritningar, identifiera revisionen som övervägs och begär en kravmatris. Varje rad kan innehålla kravet, det stödjande dokumentet eller ritningen, den observerade skillnaden och det förtydligande som fortfarande behövs. Bevara etiketter, enheter och bildområden som bestämmer jämförelsen så att resultatet förblir kopplat till källmaterialet.
Kodning, agenter och visuellt resonemang
Utgåvan beskriver cybersäkerhetsanalys, mjukvaruutveckling, förståelse av kodarkiv och terminalinriktade arbetsflöden. För en defensiv kodgranskning tillhandahåller du den relevanta kodvägen, det förväntade beteendet och underlaget för felet. Begär orsaken, en föreslagen korrigering och exempel som skiljer det gamla beteendet från det avsedda. För en fråga om kodarkivet inkluderar du de moduler och anropsrelationer som behövs för att förklara det valda beteendet.
Funktionsanrop kopplar resonemang till verktyg som applikationen tillhandahåller. Tillverkarens sekvens definierar funktionerna, anger användarens fråga, låter modellen förbereda argument, kör den valda funktionen i applikationen och returnerar resultatet för nästa svar. Ett föreslaget anrop skiljer sig från exekvering. Modellkortet listar också inbyggda verktyg inom tillverkarens agent-/samtalsgränssnitt; de hör till det anslutna arbetsflödet snarare än att tillföra en ny indata- eller utdatamodalitet till modellen.
Bildförståelsen omfattar dokument, diagram, naturliga scener och tekniska ritningar. En ritningsuppgift kan fråga vilken märkt komponent som uppfyller ett angivet krav, vilket mått eller vilken anteckning som stöder slutsatsen och vilket område som behöver granskas närmare. Utgåvans exempel med visuella agenter kombinerar tolkning med granskningssteg; zoomning, informationshämtning och andra åtgärder behöver den omgivande verktygsmiljön.
Naturvetenskap, matematik och professionella leveranser
Tillverkaren beskriver vetenskaplig programmering, dataanalys, modellering och matematiskt resonemang bland de avsedda tillämpningarna. Tillhandahåll ekvationer, antaganden, enheter och den nödvändiga resultatformen. En begäran om vetenskaplig kod kan efterfråga en implementation, betydelsen av varje variabel och en plan för att jämföra dess utdata med referensvillkor. Att producera implementationen är ett textresultat; att köra simuleringen eller skapa en fil kräver applikationsmiljön.
För professionellt dokumentarbete tillhandahåller du källrapporterna och definierar leveransen: en jämförelsetabell, förklaring, reviderat avsnitt eller kalkylbladsinnehåll. Ange beräkningsgrunden och behåll hänvisningar till stödjande dokument. Utgåvan beskriver också flerspråkig träning på fler än 160 språk, inklusive alla officiella EU-språk; ange önskat utmatningsspråk och terminologi när du förbereder en flerspråkig uppgift.
Användbara avgränsningar
De dokumenterade modaliteterna är text- och bildindata med textutdata. Tillverkarens kontext på en miljon token är inte en separat specifikation av maximal svarslängd, och de lästa källorna fastställer ingen oberoende strikt utmatningsgräns för den här posten. Håll den exakta utgåvan Large 4, det förberedda underlaget och de anslutna verktygen tydliga. En strukturerad post, förklaring eller föreslagen åtgärd är mest användbar när dess fält, stödjande källor och nästa applikationssteg definieras före begäran.
", "aboutText": "Mistral Large 4 är Mistral AI:s allmänna multimodala modell som kombinerar instruktionsföljning, resonemang, kodning och agentarbete. Den tar emot text och bilder och producerar text, inklusive förklaringar, kod och strukturerade fält. Dess finfördelade mixture-of-experts-arkitektur använder utvalda komponenter för varje token i stället för att aktivera hela parameteruppsättningen samtidigt.\n\nArkitektur och kontext\n\nDen aktuella modellsidan anger totalt 1,05 biljoner parametrar, 52 miljarder aktiva parametrar och en bildkodare med 1,6 miljarder parametrar. Tillverkarens utgåvesida förtydligar räknesättet: 49 miljarder aktiva parametrar per token, eller 52 miljarder inklusive inbäddningar och utdatalager. Siffrorna beskriver modellens struktur snarare än längden på ett svar.\n\nTillverkaren dokumenterar ett kontextfönster på en miljon token. Använd det för att samla omfattande källmaterial, samtalet och instruktionerna, samtidigt som du definierar syftet med den slutliga leveransen. För en fråga som omfattar flera dokument identifierar du varje dokument och dess roll och begär en källhänvisning bredvid varje slutsats. En stor kontext är användbar när krav, diagram och relaterade förklaringar måste beaktas tillsammans.\n\nStrukturerade svar och dokumentfrågor\n\nModellkortet listar strukturerade utdata, funktionsanrop, frågor om dokument, svarsprefix, batchinskickning och agentsamtal. Mistrals dokumentation för strukturerade utdata skiljer JSON-läge från ett anpassat schema. Ange det önskade JSON-formatet i prompten; använd ett definierat schema när det anslutna gränssnittet behöver en viss fältstruktur. En post kan skilja fakta från källan, tolkningar och öppna frågor åt i stället för att kombinera dem i ett enda stycke.\n\nFrågor om dokument är ett arbetsflöde som kombinerar dokumentbearbetning med språkmodellens förståelse. OCR förbereder text, struktur och formatering, varefter modellen besvarar en fråga om materialet. En begäran kan lokalisera ett krav, jämföra utsagor mellan dokument eller sammanfatta underlaget för ett beslut. Direkt bildförståelse och ett OCR-assisterat dokumentflöde är relaterade sätt att förbereda underlag; ett dokumentbearbetningssteg förblir skilt från bildindata.\n\nTillhandahåll exempelvis en teknisk specifikation och ritningar, identifiera revisionen som övervägs och begär en kravmatris. Varje rad kan innehålla kravet, det stödjande dokumentet eller ritningen, den observerade skillnaden och det förtydligande som fortfarande behövs. Bevara etiketter, enheter och bildområden som bestämmer jämförelsen så att resultatet förblir kopplat till källmaterialet.\n\nKodning, agenter och visuellt resonemang\n\nUtgåvan beskriver cybersäkerhetsanalys, mjukvaruutveckling, förståelse av kodarkiv och terminalinriktade arbetsflöden. För en defensiv kodgranskning tillhandahåller du den relevanta kodvägen, det förväntade beteendet och underlaget för felet. Begär orsaken, en föreslagen korrigering och exempel som skiljer det gamla beteendet från det avsedda. För en fråga om kodarkivet inkluderar du de moduler och anropsrelationer som behövs för att förklara det valda beteendet.\n\nFunktionsanrop kopplar resonemang till verktyg som applikationen tillhandahåller. Tillverkarens sekvens definierar funktionerna, anger användarens fråga, låter modellen förbereda argument, kör den valda funktionen i applikationen och returnerar resultatet för nästa svar. Ett föreslaget anrop skiljer sig från exekvering. Modellkortet listar också inbyggda verktyg inom tillverkarens agent-/samtalsgränssnitt; de hör till det anslutna arbetsflödet snarare än att tillföra en ny indata- eller utdatamodalitet till modellen.\n\nBildförståelsen omfattar dokument, diagram, naturliga scener och tekniska ritningar. En ritningsuppgift kan fråga vilken märkt komponent som uppfyller ett angivet krav, vilket mått eller vilken anteckning som stöder slutsatsen och vilket område som behöver granskas närmare. Utgåvans exempel med visuella agenter kombinerar tolkning med granskningssteg; zoomning, informationshämtning och andra åtgärder behöver den omgivande verktygsmiljön.\n\nNaturvetenskap, matematik och professionella leveranser\n\nTillverkaren beskriver vetenskaplig programmering, dataanalys, modellering och matematiskt resonemang bland de avsedda tillämpningarna. Tillhandahåll ekvationer, antaganden, enheter och den nödvändiga resultatformen. En begäran om vetenskaplig kod kan efterfråga en implementation, betydelsen av varje variabel och en plan för att jämföra dess utdata med referensvillkor. Att producera implementationen är ett textresultat; att köra simuleringen eller skapa en fil kräver applikationsmiljön.\n\nFör professionellt dokumentarbete tillhandahåller du källrapporterna och definierar leveransen: en jämförelsetabell, förklaring, reviderat avsnitt eller kalkylbladsinnehåll. Ange beräkningsgrunden och behåll hänvisningar till stödjande dokument. Utgåvan beskriver också flerspråkig träning på fler än 160 språk, inklusive alla officiella EU-språk; ange önskat utmatningsspråk och terminologi när du förbereder en flerspråkig uppgift.\n\nAnvändbara avgränsningar\n\nDe dokumenterade modaliteterna är text- och bildindata med textutdata. Tillverkarens kontext på en miljon token är inte en separat specifikation av maximal svarslängd, och de lästa källorna fastställer ingen oberoende strikt utmatningsgräns för den här posten. Håll den exakta utgåvan Large 4, det förberedda underlaget och de anslutna verktygen tydliga. En strukturerad post, förklaring eller föreslagen åtgärd är mest användbar när dess fält, stödjande källor och nästa applikationssteg definieras före begäran.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.mistralai/mistral-large-4-0Mistral Large 4 är en modell för text och bilder, avsedd för resonemang, kodning, dokumentanalys och verktygsdrivna agenter. Kontexten på en miljon token enligt tillverkaren stöder omfattande källsamlingar, med strukturerade svar, funktionsanrop och en finfördelad mixture-of-experts-arkitektur.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Large 4 är Mistral AI:s allmänna multimodala modell som kombinerar instruktionsföljning, resonemang, kodning och agentarbete. Den tar emot text och bilder och producerar text, inklusive förklaringar, kod och strukturerade fält. Dess finfördelade mixture-of-experts-arkitektur använder utvalda komponenter för varje token i stället för att aktivera hela parameteruppsättningen samtidigt.
Arkitektur och kontext
Den aktuella modellsidan anger totalt 1,05 biljoner parametrar, 52 miljarder aktiva parametrar och en bildkodare med 1,6 miljarder parametrar. Tillverkarens utgåvesida förtydligar räknesättet: 49 miljarder aktiva parametrar per token, eller 52 miljarder inklusive inbäddningar och utdatalager. Siffrorna beskriver modellens struktur snarare än längden på ett svar.
Tillverkaren dokumenterar ett kontextfönster på en miljon token. Använd det för att samla omfattande källmaterial, samtalet och instruktionerna, samtidigt som du definierar syftet med den slutliga leveransen. För en fråga som omfattar flera dokument identifierar du varje dokument och dess roll och begär en källhänvisning bredvid varje slutsats. En stor kontext är användbar när krav, diagram och relaterade förklaringar måste beaktas tillsammans.
Strukturerade svar och dokumentfrågor
Modellkortet listar strukturerade utdata, funktionsanrop, frågor om dokument, svarsprefix, batchinskickning och agentsamtal. Mistrals dokumentation för strukturerade utdata skiljer JSON-läge från ett anpassat schema. Ange det önskade JSON-formatet i prompten; använd ett definierat schema när det anslutna gränssnittet behöver en viss fältstruktur. En post kan skilja fakta från källan, tolkningar och öppna frågor åt i stället för att kombinera dem i ett enda stycke.
Frågor om dokument är ett arbetsflöde som kombinerar dokumentbearbetning med språkmodellens förståelse. OCR förbereder text, struktur och formatering, varefter modellen besvarar en fråga om materialet. En begäran kan lokalisera ett krav, jämföra utsagor mellan dokument eller sammanfatta underlaget för ett beslut. Direkt bildförståelse och ett OCR-assisterat dokumentflöde är relaterade sätt att förbereda underlag; ett dokumentbearbetningssteg förblir skilt från bildindata.
Tillhandahåll exempelvis en teknisk specifikation och ritningar, identifiera revisionen som övervägs och begär en kravmatris. Varje rad kan innehålla kravet, det stödjande dokumentet eller ritningen, den observerade skillnaden och det förtydligande som fortfarande behövs. Bevara etiketter, enheter och bildområden som bestämmer jämförelsen så att resultatet förblir kopplat till källmaterialet.
Kodning, agenter och visuellt resonemang
Utgåvan beskriver cybersäkerhetsanalys, mjukvaruutveckling, förståelse av kodarkiv och terminalinriktade arbetsflöden. För en defensiv kodgranskning tillhandahåller du den relevanta kodvägen, det förväntade beteendet och underlaget för felet. Begär orsaken, en föreslagen korrigering och exempel som skiljer det gamla beteendet från det avsedda. För en fråga om kodarkivet inkluderar du de moduler och anropsrelationer som behövs för att förklara det valda beteendet.
Funktionsanrop kopplar resonemang till verktyg som applikationen tillhandahåller. Tillverkarens sekvens definierar funktionerna, anger användarens fråga, låter modellen förbereda argument, kör den valda funktionen i applikationen och returnerar resultatet för nästa svar. Ett föreslaget anrop skiljer sig från exekvering. Modellkortet listar också inbyggda verktyg inom tillverkarens agent-/samtalsgränssnitt; de hör till det anslutna arbetsflödet snarare än att tillföra en ny indata- eller utdatamodalitet till modellen.
Bildförståelsen omfattar dokument, diagram, naturliga scener och tekniska ritningar. En ritningsuppgift kan fråga vilken märkt komponent som uppfyller ett angivet krav, vilket mått eller vilken anteckning som stöder slutsatsen och vilket område som behöver granskas närmare. Utgåvans exempel med visuella agenter kombinerar tolkning med granskningssteg; zoomning, informationshämtning och andra åtgärder behöver den omgivande verktygsmiljön.
Naturvetenskap, matematik och professionella leveranser
Tillverkaren beskriver vetenskaplig programmering, dataanalys, modellering och matematiskt resonemang bland de avsedda tillämpningarna. Tillhandahåll ekvationer, antaganden, enheter och den nödvändiga resultatformen. En begäran om vetenskaplig kod kan efterfråga en implementation, betydelsen av varje variabel och en plan för att jämföra dess utdata med referensvillkor. Att producera implementationen är ett textresultat; att köra simuleringen eller skapa en fil kräver applikationsmiljön.
För professionellt dokumentarbete tillhandahåller du källrapporterna och definierar leveransen: en jämförelsetabell, förklaring, reviderat avsnitt eller kalkylbladsinnehåll. Ange beräkningsgrunden och behåll hänvisningar till stödjande dokument. Utgåvan beskriver också flerspråkig träning på fler än 160 språk, inklusive alla officiella EU-språk; ange önskat utmatningsspråk och terminologi när du förbereder en flerspråkig uppgift.
Användbara avgränsningar
De dokumenterade modaliteterna är text- och bildindata med textutdata. Tillverkarens kontext på en miljon token är inte en separat specifikation av maximal svarslängd, och de lästa källorna fastställer ingen oberoende strikt utmatningsgräns för den här posten. Håll den exakta utgåvan Large 4, det förberedda underlaget och de anslutna verktygen tydliga. En strukturerad post, förklaring eller föreslagen åtgärd är mest användbar när dess fält, stödjande källor och nästa applikationssteg definieras före begäran.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-large-4-0 | 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 $0.00272 / 1K token Utdata · Utdatatoken $0.00836 / 1K token Indata · Cacheläsning $0.00028 / 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 $0.00272 / 1K token Utdata · Utdatatoken $0.00836 / 1K token Indata · Cacheläsning $0.00028 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-large-4-0", "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-4-0',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-4-0',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-4-0
Använd metodsökvägarna som visas ovan.
mistralai/mistral-large-4-0Mistral Large 4 är en modell för text och bilder, avsedd för resonemang, kodning, dokumentanalys och verktygsdrivna agenter. Kontexten på en miljon token enligt tillverkaren stöder omfattande källsamlingar, med strukturerade svar, funktionsanrop och en finfördelad mixture-of-experts-arkitektur.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Large 4 är Mistral AI:s allmänna multimodala modell som kombinerar instruktionsföljning, resonemang, kodning och agentarbete. Den tar emot text och bilder och producerar text, inklusive förklaringar, kod och strukturerade fält. Dess finfördelade mixture-of-experts-arkitektur använder utvalda komponenter för varje token i stället för att aktivera hela parameteruppsättningen samtidigt.
Arkitektur och kontext
Den aktuella modellsidan anger totalt 1,05 biljoner parametrar, 52 miljarder aktiva parametrar och en bildkodare med 1,6 miljarder parametrar. Tillverkarens utgåvesida förtydligar räknesättet: 49 miljarder aktiva parametrar per token, eller 52 miljarder inklusive inbäddningar och utdatalager. Siffrorna beskriver modellens struktur snarare än längden på ett svar.
Tillverkaren dokumenterar ett kontextfönster på en miljon token. Använd det för att samla omfattande källmaterial, samtalet och instruktionerna, samtidigt som du definierar syftet med den slutliga leveransen. För en fråga som omfattar flera dokument identifierar du varje dokument och dess roll och begär en källhänvisning bredvid varje slutsats. En stor kontext är användbar när krav, diagram och relaterade förklaringar måste beaktas tillsammans.
Strukturerade svar och dokumentfrågor
Modellkortet listar strukturerade utdata, funktionsanrop, frågor om dokument, svarsprefix, batchinskickning och agentsamtal. Mistrals dokumentation för strukturerade utdata skiljer JSON-läge från ett anpassat schema. Ange det önskade JSON-formatet i prompten; använd ett definierat schema när det anslutna gränssnittet behöver en viss fältstruktur. En post kan skilja fakta från källan, tolkningar och öppna frågor åt i stället för att kombinera dem i ett enda stycke.
Frågor om dokument är ett arbetsflöde som kombinerar dokumentbearbetning med språkmodellens förståelse. OCR förbereder text, struktur och formatering, varefter modellen besvarar en fråga om materialet. En begäran kan lokalisera ett krav, jämföra utsagor mellan dokument eller sammanfatta underlaget för ett beslut. Direkt bildförståelse och ett OCR-assisterat dokumentflöde är relaterade sätt att förbereda underlag; ett dokumentbearbetningssteg förblir skilt från bildindata.
Tillhandahåll exempelvis en teknisk specifikation och ritningar, identifiera revisionen som övervägs och begär en kravmatris. Varje rad kan innehålla kravet, det stödjande dokumentet eller ritningen, den observerade skillnaden och det förtydligande som fortfarande behövs. Bevara etiketter, enheter och bildområden som bestämmer jämförelsen så att resultatet förblir kopplat till källmaterialet.
Kodning, agenter och visuellt resonemang
Utgåvan beskriver cybersäkerhetsanalys, mjukvaruutveckling, förståelse av kodarkiv och terminalinriktade arbetsflöden. För en defensiv kodgranskning tillhandahåller du den relevanta kodvägen, det förväntade beteendet och underlaget för felet. Begär orsaken, en föreslagen korrigering och exempel som skiljer det gamla beteendet från det avsedda. För en fråga om kodarkivet inkluderar du de moduler och anropsrelationer som behövs för att förklara det valda beteendet.
Funktionsanrop kopplar resonemang till verktyg som applikationen tillhandahåller. Tillverkarens sekvens definierar funktionerna, anger användarens fråga, låter modellen förbereda argument, kör den valda funktionen i applikationen och returnerar resultatet för nästa svar. Ett föreslaget anrop skiljer sig från exekvering. Modellkortet listar också inbyggda verktyg inom tillverkarens agent-/samtalsgränssnitt; de hör till det anslutna arbetsflödet snarare än att tillföra en ny indata- eller utdatamodalitet till modellen.
Bildförståelsen omfattar dokument, diagram, naturliga scener och tekniska ritningar. En ritningsuppgift kan fråga vilken märkt komponent som uppfyller ett angivet krav, vilket mått eller vilken anteckning som stöder slutsatsen och vilket område som behöver granskas närmare. Utgåvans exempel med visuella agenter kombinerar tolkning med granskningssteg; zoomning, informationshämtning och andra åtgärder behöver den omgivande verktygsmiljön.
Naturvetenskap, matematik och professionella leveranser
Tillverkaren beskriver vetenskaplig programmering, dataanalys, modellering och matematiskt resonemang bland de avsedda tillämpningarna. Tillhandahåll ekvationer, antaganden, enheter och den nödvändiga resultatformen. En begäran om vetenskaplig kod kan efterfråga en implementation, betydelsen av varje variabel och en plan för att jämföra dess utdata med referensvillkor. Att producera implementationen är ett textresultat; att köra simuleringen eller skapa en fil kräver applikationsmiljön.
För professionellt dokumentarbete tillhandahåller du källrapporterna och definierar leveransen: en jämförelsetabell, förklaring, reviderat avsnitt eller kalkylbladsinnehåll. Ange beräkningsgrunden och behåll hänvisningar till stödjande dokument. Utgåvan beskriver också flerspråkig träning på fler än 160 språk, inklusive alla officiella EU-språk; ange önskat utmatningsspråk och terminologi när du förbereder en flerspråkig uppgift.
Användbara avgränsningar
De dokumenterade modaliteterna är text- och bildindata med textutdata. Tillverkarens kontext på en miljon token är inte en separat specifikation av maximal svarslängd, och de lästa källorna fastställer ingen oberoende strikt utmatningsgräns för den här posten. Håll den exakta utgåvan Large 4, det förberedda underlaget och de anslutna verktygen tydliga. En strukturerad post, förklaring eller föreslagen åtgärd är mest användbar när dess fält, stödjande källor och nästa applikationssteg definieras före begäran.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-large-4-0 | 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 $0.00272 / 1K token Utdata · Utdatatoken $0.00836 / 1K token Indata · Cacheläsning $0.00028 / 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 $0.00272 / 1K token Utdata · Utdatatoken $0.00836 / 1K token Indata · Cacheläsning $0.00028 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-large-4-0",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-4-0', '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-4-0', '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-4-0
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Build an engineering requirement matrix\n\nCreate a requirements matrix from these text excerpts. Spec S1: the enclosure must fit a 60 mm cable bend radius. Drawing D2: available internal clearance is 45 mm. Note N3: exterior width is 120 mm. For each relevant requirement, show the source evidence, the mismatch and the clarification needed. Do not use exterior width as proof of internal clearance.A source-linked matrix identifying the bend-radius/clearance conflict and the information needed for an engineering decision.The comparison keeps millimetres consistent and does not treat the unrelated exterior dimension as resolving the conflict.