Mistral Large är Mistral AI:s allmänna multimodala familj för komplext dokumentarbete, mjukvaruutveckling och agentuppgifter. Large 4 kombinerar instruktionsföljning, resonemang och verktygsanvändning med inbyggd bildförståelse. Dess finfördelade mixture-of-experts-arkitektur har totalt 1,05 biljoner parametrar och 52 miljarder aktiva parametrar, tillsammans med en bildkodare med 1,6 miljarder parametrar. Kontextfönstret i Large 4 är 1M token. Large 3 är en separat utgåva med totalt 675 miljarder parametrar, 41 miljarder aktiva parametrar och ett kontextfönster på 256K token.
Modellen arbetar med skriftliga uppgifter och visuellt material för att producera text, kod eller strukturerade resultat. I resonemangsflödet för Large 4 returnerar en inställning med minimal insats svaret direkt, medan hög insats inkluderar ett resonemangsavsnitt före det slutliga svaret. Fullständiga assistentmeddelanden bevarar kontinuiteten över uppföljande turer. Strukturerade utdata kan använda JSON eller ett anpassat schema, och applikationen kan ange ett prefix för en styrd inledning av svaret.
Funktionsanrop kopplar en analytisk uppgift till extern information och externa åtgärder. Tillhandahåll funktionsbeskrivningar, indatafält och användarens mål. Modellen väljer en funktion och förbereder argument; applikationen kör den, returnerar resultatet och fortsätter samtalet. Flödet kan omfatta efterföljande anrop eller flera parallella anrop. Frågor om dokument kombinerar dokumentextraktion med språkförståelse, medan batchbearbetning hanterar samlingar av begäranden asynkront. Tillgängliga verktyg och exekvering tillhandahålls av applikationen runt modellen.
Funktionsområdena för Large 4 börjar med säkerhetsanalys: tillverkaren beskriver inledande bedömning av skadlig kod, prioritering av sårbarheter och framtagning av detektionsregler för defensivt arbete. Inom agentbaserad kodning ligger fokus på förståelse av kodarkiv, mjukvaruändringar och komplexa terminalflöden. En användbar koduppgift identifierar det berörda beteendet, filerna och beroendena som ingår och kontrollerna som ska fastställa ett korrekt resultat.
För allmänna agentflöden kan modellen samla material, använda anslutna verktyg och sammanställa leveranser som dokument, kalkylblad och bildspelsinnehåll. Dess multimodala arbete omfattar diagram, komplexa sidor, naturliga scener och tekniska ritningar. Visuell förankring knyter en fråga till ett objekt eller område; en teknisk uppgift kan granska den tillhandahållna ritningen, jämföra synliga delar och returnera en förklaring knuten till underlaget. Vid dokumentanalys begär du den specifika sida, tabell eller passage som stöder varje slutsats.
Naturvetenskapliga och matematiska tillämpningar omfattar dataanalys, modellering, simuleringskod och längre uppgifter i tillämpad matematik. Kunskapsarbete omfattar redigering av dokument och kalkylblad och jämförelser av information från flera källor. En Ailoot API-uppgift kan ange en redigerbar rapportdisposition, en strukturerad uppsättning slutsatser eller kod som applikationen ska köra och verifiera. Detta är olika utdata: en förklaring besvarar en fråga, ett strukturerat resultat för data vidare och ett verktygsstött flöde använder applikationen för att skapa eller uppdatera den slutliga leveransen.
Träningen av Large 4 omfattar flerspråkigt material på fler än 160 språk, inklusive alla officiella EU-språk. Efterträningen kombinerar övervakad finjustering med förstärkningsinlärning inom resonemang, vetenskapligt arbete, verktygsanvändning, faktakorrekthet och säkerhetsanpassning. Säkerhetsarbetet behandlar indirekt promptinjektion och skadliga cybersäkerhetsförfrågningar. Familjevalet förblir en uppdaterad modellserie: de numeriska arkitekturerna, kontextfönstren och resonemangsbeteendena ovan hör till de uttryckligen namngivna utgåvorna, som hålls åtskilda när en fast version väljs.
", "aboutText": "Mistral Large är Mistral AI:s allmänna multimodala familj för komplext dokumentarbete, mjukvaruutveckling och agentuppgifter. Large 4 kombinerar instruktionsföljning, resonemang och verktygsanvändning med inbyggd bildförståelse. Dess finfördelade mixture-of-experts-arkitektur har totalt 1,05 biljoner parametrar och 52 miljarder aktiva parametrar, tillsammans med en bildkodare med 1,6 miljarder parametrar. Kontextfönstret i Large 4 är 1M token. Large 3 är en separat utgåva med totalt 675 miljarder parametrar, 41 miljarder aktiva parametrar och ett kontextfönster på 256K token.\n\nModellen arbetar med skriftliga uppgifter och visuellt material för att producera text, kod eller strukturerade resultat. I resonemangsflödet för Large 4 returnerar en inställning med minimal insats svaret direkt, medan hög insats inkluderar ett resonemangsavsnitt före det slutliga svaret. Fullständiga assistentmeddelanden bevarar kontinuiteten över uppföljande turer. Strukturerade utdata kan använda JSON eller ett anpassat schema, och applikationen kan ange ett prefix för en styrd inledning av svaret.\n\nFunktionsanrop kopplar en analytisk uppgift till extern information och externa åtgärder. Tillhandahåll funktionsbeskrivningar, indatafält och användarens mål. Modellen väljer en funktion och förbereder argument; applikationen kör den, returnerar resultatet och fortsätter samtalet. Flödet kan omfatta efterföljande anrop eller flera parallella anrop. Frågor om dokument kombinerar dokumentextraktion med språkförståelse, medan batchbearbetning hanterar samlingar av begäranden asynkront. Tillgängliga verktyg och exekvering tillhandahålls av applikationen runt modellen.\n\nFunktionsområdena för Large 4 börjar med säkerhetsanalys: tillverkaren beskriver inledande bedömning av skadlig kod, prioritering av sårbarheter och framtagning av detektionsregler för defensivt arbete. Inom agentbaserad kodning ligger fokus på förståelse av kodarkiv, mjukvaruändringar och komplexa terminalflöden. En användbar koduppgift identifierar det berörda beteendet, filerna och beroendena som ingår och kontrollerna som ska fastställa ett korrekt resultat.\n\nFör allmänna agentflöden kan modellen samla material, använda anslutna verktyg och sammanställa leveranser som dokument, kalkylblad och bildspelsinnehåll. Dess multimodala arbete omfattar diagram, komplexa sidor, naturliga scener och tekniska ritningar. Visuell förankring knyter en fråga till ett objekt eller område; en teknisk uppgift kan granska den tillhandahållna ritningen, jämföra synliga delar och returnera en förklaring knuten till underlaget. Vid dokumentanalys begär du den specifika sida, tabell eller passage som stöder varje slutsats.\n\nNaturvetenskapliga och matematiska tillämpningar omfattar dataanalys, modellering, simuleringskod och längre uppgifter i tillämpad matematik. Kunskapsarbete omfattar redigering av dokument och kalkylblad och jämförelser av information från flera källor. En Ailoot API-uppgift kan ange en redigerbar rapportdisposition, en strukturerad uppsättning slutsatser eller kod som applikationen ska köra och verifiera. Detta är olika utdata: en förklaring besvarar en fråga, ett strukturerat resultat för data vidare och ett verktygsstött flöde använder applikationen för att skapa eller uppdatera den slutliga leveransen.\n\nTräningen av Large 4 omfattar flerspråkigt material på fler än 160 språk, inklusive alla officiella EU-språk. Efterträningen kombinerar övervakad finjustering med förstärkningsinlärning inom resonemang, vetenskapligt arbete, verktygsanvändning, faktakorrekthet och säkerhetsanpassning. Säkerhetsarbetet behandlar indirekt promptinjektion och skadliga cybersäkerhetsförfrågningar. Familjevalet förblir en uppdaterad modellserie: de numeriska arkitekturerna, kontextfönstren och resonemangsbeteendena ovan hör till de uttryckligen namngivna utgåvorna, som hålls åtskilda när en fast version väljs.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Design a capacity calculation\n\nWrite a small Python function for this capacity model: each machine makes 18 parts per hour, but only 80 percent of its scheduled hours are productive. Given machine count and scheduled hours, return estimated parts as a numeric value. State assumptions and supply checks for one machine over five hours and zero machines.A Python function, explicit units and assumptions, and two calculation checks.Check the utilization factor is applied once and zero machines gives zero output.mistralai/mistral-largeMistral AI:s Large-familj kombinerar dokument- och bildförståelse med resonemang, kodning och verktygsbaserade arbetsflöden. Publicerade Large-utgåvor stöder strukturerade svar och arbete med lång kontext, med arkitektur och kontextstorlekar knutna till varje namngiven version.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Large är Mistral AI:s allmänna multimodala familj för komplext dokumentarbete, mjukvaruutveckling och agentuppgifter. Large 4 kombinerar instruktionsföljning, resonemang och verktygsanvändning med inbyggd bildförståelse. Dess finfördelade mixture-of-experts-arkitektur har totalt 1,05 biljoner parametrar och 52 miljarder aktiva parametrar, tillsammans med en bildkodare med 1,6 miljarder parametrar. Kontextfönstret i Large 4 är 1M token. Large 3 är en separat utgåva med totalt 675 miljarder parametrar, 41 miljarder aktiva parametrar och ett kontextfönster på 256K token.
Modellen arbetar med skriftliga uppgifter och visuellt material för att producera text, kod eller strukturerade resultat. I resonemangsflödet för Large 4 returnerar en inställning med minimal insats svaret direkt, medan hög insats inkluderar ett resonemangsavsnitt före det slutliga svaret. Fullständiga assistentmeddelanden bevarar kontinuiteten över uppföljande turer. Strukturerade utdata kan använda JSON eller ett anpassat schema, och applikationen kan ange ett prefix för en styrd inledning av svaret.
Funktionsanrop kopplar en analytisk uppgift till extern information och externa åtgärder. Tillhandahåll funktionsbeskrivningar, indatafält och användarens mål. Modellen väljer en funktion och förbereder argument; applikationen kör den, returnerar resultatet och fortsätter samtalet. Flödet kan omfatta efterföljande anrop eller flera parallella anrop. Frågor om dokument kombinerar dokumentextraktion med språkförståelse, medan batchbearbetning hanterar samlingar av begäranden asynkront. Tillgängliga verktyg och exekvering tillhandahålls av applikationen runt modellen.
Funktionsområdena för Large 4 börjar med säkerhetsanalys: tillverkaren beskriver inledande bedömning av skadlig kod, prioritering av sårbarheter och framtagning av detektionsregler för defensivt arbete. Inom agentbaserad kodning ligger fokus på förståelse av kodarkiv, mjukvaruändringar och komplexa terminalflöden. En användbar koduppgift identifierar det berörda beteendet, filerna och beroendena som ingår och kontrollerna som ska fastställa ett korrekt resultat.
För allmänna agentflöden kan modellen samla material, använda anslutna verktyg och sammanställa leveranser som dokument, kalkylblad och bildspelsinnehåll. Dess multimodala arbete omfattar diagram, komplexa sidor, naturliga scener och tekniska ritningar. Visuell förankring knyter en fråga till ett objekt eller område; en teknisk uppgift kan granska den tillhandahållna ritningen, jämföra synliga delar och returnera en förklaring knuten till underlaget. Vid dokumentanalys begär du den specifika sida, tabell eller passage som stöder varje slutsats.
Naturvetenskapliga och matematiska tillämpningar omfattar dataanalys, modellering, simuleringskod och längre uppgifter i tillämpad matematik. Kunskapsarbete omfattar redigering av dokument och kalkylblad och jämförelser av information från flera källor. En Ailoot API-uppgift kan ange en redigerbar rapportdisposition, en strukturerad uppsättning slutsatser eller kod som applikationen ska köra och verifiera. Detta är olika utdata: en förklaring besvarar en fråga, ett strukturerat resultat för data vidare och ett verktygsstött flöde använder applikationen för att skapa eller uppdatera den slutliga leveransen.
Träningen av Large 4 omfattar flerspråkigt material på fler än 160 språk, inklusive alla officiella EU-språk. Efterträningen kombinerar övervakad finjustering med förstärkningsinlärning inom resonemang, vetenskapligt arbete, verktygsanvändning, faktakorrekthet och säkerhetsanpassning. Säkerhetsarbetet behandlar indirekt promptinjektion och skadliga cybersäkerhetsförfrågningar. Familjevalet förblir en uppdaterad modellserie: de numeriska arkitekturerna, kontextfönstren och resonemangsbeteendena ovan hör till de uttryckligen namngivna utgåvorna, som hålls åtskilda när en fast version väljs.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-large | 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 $0.004 / 1K token Utdata · Utdatatoken $0.012 / 1K token Indata · Cacheläsning $0.0004 / 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 $0.004 / 1K token Utdata · Utdatatoken $0.012 / 1K token Indata · Cacheläsning $0.0004 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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", "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',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',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
Använd metodsökvägarna som visas ovan.
mistralai/mistral-largeMistral AI:s Large-familj kombinerar dokument- och bildförståelse med resonemang, kodning och verktygsbaserade arbetsflöden. Publicerade Large-utgåvor stöder strukturerade svar och arbete med lång kontext, med arkitektur och kontextstorlekar knutna till varje namngiven version.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Large är Mistral AI:s allmänna multimodala familj för komplext dokumentarbete, mjukvaruutveckling och agentuppgifter. Large 4 kombinerar instruktionsföljning, resonemang och verktygsanvändning med inbyggd bildförståelse. Dess finfördelade mixture-of-experts-arkitektur har totalt 1,05 biljoner parametrar och 52 miljarder aktiva parametrar, tillsammans med en bildkodare med 1,6 miljarder parametrar. Kontextfönstret i Large 4 är 1M token. Large 3 är en separat utgåva med totalt 675 miljarder parametrar, 41 miljarder aktiva parametrar och ett kontextfönster på 256K token.
Modellen arbetar med skriftliga uppgifter och visuellt material för att producera text, kod eller strukturerade resultat. I resonemangsflödet för Large 4 returnerar en inställning med minimal insats svaret direkt, medan hög insats inkluderar ett resonemangsavsnitt före det slutliga svaret. Fullständiga assistentmeddelanden bevarar kontinuiteten över uppföljande turer. Strukturerade utdata kan använda JSON eller ett anpassat schema, och applikationen kan ange ett prefix för en styrd inledning av svaret.
Funktionsanrop kopplar en analytisk uppgift till extern information och externa åtgärder. Tillhandahåll funktionsbeskrivningar, indatafält och användarens mål. Modellen väljer en funktion och förbereder argument; applikationen kör den, returnerar resultatet och fortsätter samtalet. Flödet kan omfatta efterföljande anrop eller flera parallella anrop. Frågor om dokument kombinerar dokumentextraktion med språkförståelse, medan batchbearbetning hanterar samlingar av begäranden asynkront. Tillgängliga verktyg och exekvering tillhandahålls av applikationen runt modellen.
Funktionsområdena för Large 4 börjar med säkerhetsanalys: tillverkaren beskriver inledande bedömning av skadlig kod, prioritering av sårbarheter och framtagning av detektionsregler för defensivt arbete. Inom agentbaserad kodning ligger fokus på förståelse av kodarkiv, mjukvaruändringar och komplexa terminalflöden. En användbar koduppgift identifierar det berörda beteendet, filerna och beroendena som ingår och kontrollerna som ska fastställa ett korrekt resultat.
För allmänna agentflöden kan modellen samla material, använda anslutna verktyg och sammanställa leveranser som dokument, kalkylblad och bildspelsinnehåll. Dess multimodala arbete omfattar diagram, komplexa sidor, naturliga scener och tekniska ritningar. Visuell förankring knyter en fråga till ett objekt eller område; en teknisk uppgift kan granska den tillhandahållna ritningen, jämföra synliga delar och returnera en förklaring knuten till underlaget. Vid dokumentanalys begär du den specifika sida, tabell eller passage som stöder varje slutsats.
Naturvetenskapliga och matematiska tillämpningar omfattar dataanalys, modellering, simuleringskod och längre uppgifter i tillämpad matematik. Kunskapsarbete omfattar redigering av dokument och kalkylblad och jämförelser av information från flera källor. En Ailoot API-uppgift kan ange en redigerbar rapportdisposition, en strukturerad uppsättning slutsatser eller kod som applikationen ska köra och verifiera. Detta är olika utdata: en förklaring besvarar en fråga, ett strukturerat resultat för data vidare och ett verktygsstött flöde använder applikationen för att skapa eller uppdatera den slutliga leveransen.
Träningen av Large 4 omfattar flerspråkigt material på fler än 160 språk, inklusive alla officiella EU-språk. Efterträningen kombinerar övervakad finjustering med förstärkningsinlärning inom resonemang, vetenskapligt arbete, verktygsanvändning, faktakorrekthet och säkerhetsanpassning. Säkerhetsarbetet behandlar indirekt promptinjektion och skadliga cybersäkerhetsförfrågningar. Familjevalet förblir en uppdaterad modellserie: de numeriska arkitekturerna, kontextfönstren och resonemangsbeteendena ovan hör till de uttryckligen namngivna utgåvorna, som hålls åtskilda när en fast version väljs.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-large | 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 $0.004 / 1K token Utdata · Utdatatoken $0.012 / 1K token Indata · Cacheläsning $0.0004 / 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 $0.004 / 1K token Utdata · Utdatatoken $0.012 / 1K token Indata · Cacheläsning $0.0004 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-large",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Design a capacity calculation\n\nWrite a small Python function for this capacity model: each machine makes 18 parts per hour, but only 80 percent of its scheduled hours are productive. Given machine count and scheduled hours, return estimated parts as a numeric value. State assumptions and supply checks for one machine over five hours and zero machines.A Python function, explicit units and assumptions, and two calculation checks.Check the utilization factor is applied once and zero machines gives zero output.