Mistral Medium 3.1 är en multimodal Mistral AI-utgåva för text- och bildförståelse. Tillverkaren beskriver revisionen som en förbättring av ton och prestanda inom Medium 3-serien. Den tar emot text och bilder och producerar text: en förklaring, ett svar om ett dokument, en strukturerad post eller ett föreslaget funktionsanrop. Tillverkarens fasta identifierare för utgåvan är mistral-medium-2508.
Kontext och den specifika utgåvan
Modellsidan dokumenterar ett kontextfönster på 128k token. Använd det för att hålla relaterade källavsnitt, bildunderlag, samtalet och användarens uppgift samlade. Identifiera dokumentens roller och frågan som ska besvaras innan du tillhandahåller en stor samling. En lång kontext kan stödja en fokuserad jämförelse medan den slutliga leveransen förblir en kort tabell eller ett reviderat avsnitt.
Medium 3.1 behåller sin egen specifikation. Kontexten på 256k token, den täta arkitekturen med 128 miljarder parametrar och de konfigurerbara hybridlägena för resonemang som beskrivs för Medium 3.5 ska inte tillskrivas den här posten. Sidan för 3.1 anger inget parameterantal eller separat siffra för maximal svarslängd som säkert kan ersättas med uppgiften från den senare modellen.
Strukturerade utdata och funktioner
Tillverkaren listar strukturerade utdata, funktionsanrop och förutsagda utdata bland utgåvans funktioner. För en strukturerad extraktionsuppgift definierar du obligatoriska fält, förväntade typer och hanteringen av information som saknas i källan. En post kan innehålla dokumentidentifieraren, den extraherade utsagan, dess källhänvisning och frågan som återstår. Begär enbart posten när ett program ska tolka den, eller håll en förklaring i löptext separat när någon måste granska tolkningen.
Mistrals gemensamma dokumentation för strukturerade utdata skiljer JSON-läge från ett anpassat schema. JSON-läge kräver en uttrycklig instruktion om önskat JSON-format, medan det anpassade alternativet definierar en mer specifik struktur. Detta är formatering av textresultatet, inte en ny innehållsmodalitet eller en extern åtgärd.
För funktioner definierar applikationen den tillgängliga operationen och argumenten, modellen väljer ett lämpligt anrop och förbereder värden, och applikationen kör det. Resultatet blir sedan information för nästa svar. En dokumentassistent kan använda en uppslagning för att få saknade referensdata, men bara om den omgivande applikationen tillhandahåller uppslagningen och returnerar dess faktiska resultat. Håll det föreslagna anropet och de returnerade uppgifterna kopplade till varandra.
Förutsagda ändringar och svarsprefix
Förutsagda utdata är användbara när det mesta av det önskade resultatet redan är känt, exempelvis ett dokument eller en kodfil som behöver en begränsad ändring. Tillhandahåll befintligt innehåll och beskriv ändringen exakt, inklusive vad som måste lämnas oförändrat. En begäran kan uppdatera terminologin i ett avsnitt eller ersätta en implementationsdetalj samtidigt som resten av dokumentet bevaras. Prediktionen innehåller förväntat utdatainnehåll snarare än en slutförd ändring som tillämpats på en fil.
Modellsidan listar också fortsättning från svarsprefix. I tillverkarens chattdokumentation anger ett prefix en känd början på assistentens svar, varefter genereringen fortsätter. En känd början och en förutsagd textkropp löser olika förberedelseproblem. Batchbearbetning och agent-/samtalsgränssnitt är likaså arbetsflödesfunktioner snarare än separata bild-, ljud- eller resonemangsutgåvor av Medium 3.1.
Dokument- och bildfrågor
Det listade Document QnA-flödet kombinerar OCR-förberedd text, struktur och formatering med språkmodellsanalys. Fråga om det specifika villkor, avsnitt eller samband som uppgiften kräver. En jämförelse kan identifiera källdokumenten och efterfråga gemensamma utsagor, konflikter och olösta detaljer, med en källhänvisning bevarad bredvid varje slutsats.
Tillverkarens bildguide inkluderar uttryckligen Medium 3.1. En direkt bildfråga kan innehålla ett läsbart diagram, en dokumentbild eller en skärmbild och fråga vilket synligt underlag som stöder en slutsats. Bevara axlar, enheter, etiketter och sammanhanget runt ett beskuret fält. Om flera bilder tillhandahålls identifierar du deras ordning och roll i stället för att låta modellen härleda vilken som är original, revision eller referens.
Kombinera exempelvis ett skriftligt processkrav med en skärmbild och begär en tabell över synliga överensstämmelser, skillnader och frågor som kräver mer information. En annan uppgift kan innehålla två versioner av ett dokument och efterfråga ett reviderat avsnitt som bevarar deras gemensamma villkor samtidigt som en namngiven motsägelse löses. Detta är föreslagna tillämpningar av de dokumenterade bild-, dokument- och redigeringsfunktionerna, med det nödvändiga resultatet definierat i förväg.
Förberedelse av den slutliga leveransen
Ge assistenten en tydlig roll, källmaterialet som ska användas och svarets form. Håll bestående svarsregler skilda från dokumentet som granskas och ange målspråk och terminologi. Ett användbart svar kan skilja ett extraherat faktum, dess källa och en tolkning åt, vilket gör det lättare att granska än en enda sammanslagen sammanfattning.
Det dokumenterade resultatet förblir text. Externa verktyg, filändringar och ytterligare dokumentbearbetning hör till applikationen som är ansluten till samtalet. Bevara den namngivna utgåvan Medium 3.1 och dess kontext på 128k token och begär förklaringen, den strukturerade posten eller den riktade revisionen som nästa steg faktiskt behöver.
", "aboutText": "Mistral Medium 3.1 är en multimodal Mistral AI-utgåva för text- och bildförståelse. Tillverkaren beskriver revisionen som en förbättring av ton och prestanda inom Medium 3-serien. Den tar emot text och bilder och producerar text: en förklaring, ett svar om ett dokument, en strukturerad post eller ett föreslaget funktionsanrop. Tillverkarens fasta identifierare för utgåvan är mistral-medium-2508.\n\nKontext och den specifika utgåvan\n\nModellsidan dokumenterar ett kontextfönster på 128k token. Använd det för att hålla relaterade källavsnitt, bildunderlag, samtalet och användarens uppgift samlade. Identifiera dokumentens roller och frågan som ska besvaras innan du tillhandahåller en stor samling. En lång kontext kan stödja en fokuserad jämförelse medan den slutliga leveransen förblir en kort tabell eller ett reviderat avsnitt.\n\nMedium 3.1 behåller sin egen specifikation. Kontexten på 256k token, den täta arkitekturen med 128 miljarder parametrar och de konfigurerbara hybridlägena för resonemang som beskrivs för Medium 3.5 ska inte tillskrivas den här posten. Sidan för 3.1 anger inget parameterantal eller separat siffra för maximal svarslängd som säkert kan ersättas med uppgiften från den senare modellen.\n\nStrukturerade utdata och funktioner\n\nTillverkaren listar strukturerade utdata, funktionsanrop och förutsagda utdata bland utgåvans funktioner. För en strukturerad extraktionsuppgift definierar du obligatoriska fält, förväntade typer och hanteringen av information som saknas i källan. En post kan innehålla dokumentidentifieraren, den extraherade utsagan, dess källhänvisning och frågan som återstår. Begär enbart posten när ett program ska tolka den, eller håll en förklaring i löptext separat när någon måste granska tolkningen.\n\nMistrals gemensamma dokumentation för strukturerade utdata skiljer JSON-läge från ett anpassat schema. JSON-läge kräver en uttrycklig instruktion om önskat JSON-format, medan det anpassade alternativet definierar en mer specifik struktur. Detta är formatering av textresultatet, inte en ny innehållsmodalitet eller en extern åtgärd.\n\nFör funktioner definierar applikationen den tillgängliga operationen och argumenten, modellen väljer ett lämpligt anrop och förbereder värden, och applikationen kör det. Resultatet blir sedan information för nästa svar. En dokumentassistent kan använda en uppslagning för att få saknade referensdata, men bara om den omgivande applikationen tillhandahåller uppslagningen och returnerar dess faktiska resultat. Håll det föreslagna anropet och de returnerade uppgifterna kopplade till varandra.\n\nFörutsagda ändringar och svarsprefix\n\nFörutsagda utdata är användbara när det mesta av det önskade resultatet redan är känt, exempelvis ett dokument eller en kodfil som behöver en begränsad ändring. Tillhandahåll befintligt innehåll och beskriv ändringen exakt, inklusive vad som måste lämnas oförändrat. En begäran kan uppdatera terminologin i ett avsnitt eller ersätta en implementationsdetalj samtidigt som resten av dokumentet bevaras. Prediktionen innehåller förväntat utdatainnehåll snarare än en slutförd ändring som tillämpats på en fil.\n\nModellsidan listar också fortsättning från svarsprefix. I tillverkarens chattdokumentation anger ett prefix en känd början på assistentens svar, varefter genereringen fortsätter. En känd början och en förutsagd textkropp löser olika förberedelseproblem. Batchbearbetning och agent-/samtalsgränssnitt är likaså arbetsflödesfunktioner snarare än separata bild-, ljud- eller resonemangsutgåvor av Medium 3.1.\n\nDokument- och bildfrågor\n\nDet listade Document QnA-flödet kombinerar OCR-förberedd text, struktur och formatering med språkmodellsanalys. Fråga om det specifika villkor, avsnitt eller samband som uppgiften kräver. En jämförelse kan identifiera källdokumenten och efterfråga gemensamma utsagor, konflikter och olösta detaljer, med en källhänvisning bevarad bredvid varje slutsats.\n\nTillverkarens bildguide inkluderar uttryckligen Medium 3.1. En direkt bildfråga kan innehålla ett läsbart diagram, en dokumentbild eller en skärmbild och fråga vilket synligt underlag som stöder en slutsats. Bevara axlar, enheter, etiketter och sammanhanget runt ett beskuret fält. Om flera bilder tillhandahålls identifierar du deras ordning och roll i stället för att låta modellen härleda vilken som är original, revision eller referens.\n\nKombinera exempelvis ett skriftligt processkrav med en skärmbild och begär en tabell över synliga överensstämmelser, skillnader och frågor som kräver mer information. En annan uppgift kan innehålla två versioner av ett dokument och efterfråga ett reviderat avsnitt som bevarar deras gemensamma villkor samtidigt som en namngiven motsägelse löses. Detta är föreslagna tillämpningar av de dokumenterade bild-, dokument- och redigeringsfunktionerna, med det nödvändiga resultatet definierat i förväg.\n\nFörberedelse av den slutliga leveransen\n\nGe assistenten en tydlig roll, källmaterialet som ska användas och svarets form. Håll bestående svarsregler skilda från dokumentet som granskas och ange målspråk och terminologi. Ett användbart svar kan skilja ett extraherat faktum, dess källa och en tolkning åt, vilket gör det lättare att granska än en enda sammanslagen sammanfattning.\n\nDet dokumenterade resultatet förblir text. Externa verktyg, filändringar och ytterligare dokumentbearbetning hör till applikationen som är ansluten till samtalet. Bevara den namngivna utgåvan Medium 3.1 och dess kontext på 128k token och begär förklaringen, den strukturerade posten eller den riktade revisionen som nästa steg faktiskt behöver.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Apply a narrow terminology edit\n\nRevise only the terminology in this paragraph: 'A subscriber can pause the plan. The subscriber keeps access until the current period ends. Support can help the subscriber resume.' Replace 'subscriber' with 'member', adapting capitalization, and keep every condition and sentence order. Return the revised paragraph alone, without claiming a file was modified.The complete revised paragraph with the requested terminology change only.The access-until-period-end condition and pause/resume distinction must remain intact.mistralai/mistral-medium-3.1Mistral Medium 3.1 är en modell för text och bilder, avsedd för samtalssvar, dokumentfrågor och strukturerad extraktion. Kontexten på 128k token enligt tillverkaren och listade funktioner för funktionsanrop, förutsagda utdata och prefix stöder källbaserade förklaringar och riktade redigeringsflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Medium 3.1 är en multimodal Mistral AI-utgåva för text- och bildförståelse. Tillverkaren beskriver revisionen som en förbättring av ton och prestanda inom Medium 3-serien. Den tar emot text och bilder och producerar text: en förklaring, ett svar om ett dokument, en strukturerad post eller ett föreslaget funktionsanrop. Tillverkarens fasta identifierare för utgåvan är mistral-medium-2508.
Kontext och den specifika utgåvan
Modellsidan dokumenterar ett kontextfönster på 128k token. Använd det för att hålla relaterade källavsnitt, bildunderlag, samtalet och användarens uppgift samlade. Identifiera dokumentens roller och frågan som ska besvaras innan du tillhandahåller en stor samling. En lång kontext kan stödja en fokuserad jämförelse medan den slutliga leveransen förblir en kort tabell eller ett reviderat avsnitt.
Medium 3.1 behåller sin egen specifikation. Kontexten på 256k token, den täta arkitekturen med 128 miljarder parametrar och de konfigurerbara hybridlägena för resonemang som beskrivs för Medium 3.5 ska inte tillskrivas den här posten. Sidan för 3.1 anger inget parameterantal eller separat siffra för maximal svarslängd som säkert kan ersättas med uppgiften från den senare modellen.
Strukturerade utdata och funktioner
Tillverkaren listar strukturerade utdata, funktionsanrop och förutsagda utdata bland utgåvans funktioner. För en strukturerad extraktionsuppgift definierar du obligatoriska fält, förväntade typer och hanteringen av information som saknas i källan. En post kan innehålla dokumentidentifieraren, den extraherade utsagan, dess källhänvisning och frågan som återstår. Begär enbart posten när ett program ska tolka den, eller håll en förklaring i löptext separat när någon måste granska tolkningen.
Mistrals gemensamma dokumentation för strukturerade utdata skiljer JSON-läge från ett anpassat schema. JSON-läge kräver en uttrycklig instruktion om önskat JSON-format, medan det anpassade alternativet definierar en mer specifik struktur. Detta är formatering av textresultatet, inte en ny innehållsmodalitet eller en extern åtgärd.
För funktioner definierar applikationen den tillgängliga operationen och argumenten, modellen väljer ett lämpligt anrop och förbereder värden, och applikationen kör det. Resultatet blir sedan information för nästa svar. En dokumentassistent kan använda en uppslagning för att få saknade referensdata, men bara om den omgivande applikationen tillhandahåller uppslagningen och returnerar dess faktiska resultat. Håll det föreslagna anropet och de returnerade uppgifterna kopplade till varandra.
Förutsagda ändringar och svarsprefix
Förutsagda utdata är användbara när det mesta av det önskade resultatet redan är känt, exempelvis ett dokument eller en kodfil som behöver en begränsad ändring. Tillhandahåll befintligt innehåll och beskriv ändringen exakt, inklusive vad som måste lämnas oförändrat. En begäran kan uppdatera terminologin i ett avsnitt eller ersätta en implementationsdetalj samtidigt som resten av dokumentet bevaras. Prediktionen innehåller förväntat utdatainnehåll snarare än en slutförd ändring som tillämpats på en fil.
Modellsidan listar också fortsättning från svarsprefix. I tillverkarens chattdokumentation anger ett prefix en känd början på assistentens svar, varefter genereringen fortsätter. En känd början och en förutsagd textkropp löser olika förberedelseproblem. Batchbearbetning och agent-/samtalsgränssnitt är likaså arbetsflödesfunktioner snarare än separata bild-, ljud- eller resonemangsutgåvor av Medium 3.1.
Dokument- och bildfrågor
Det listade Document QnA-flödet kombinerar OCR-förberedd text, struktur och formatering med språkmodellsanalys. Fråga om det specifika villkor, avsnitt eller samband som uppgiften kräver. En jämförelse kan identifiera källdokumenten och efterfråga gemensamma utsagor, konflikter och olösta detaljer, med en källhänvisning bevarad bredvid varje slutsats.
Tillverkarens bildguide inkluderar uttryckligen Medium 3.1. En direkt bildfråga kan innehålla ett läsbart diagram, en dokumentbild eller en skärmbild och fråga vilket synligt underlag som stöder en slutsats. Bevara axlar, enheter, etiketter och sammanhanget runt ett beskuret fält. Om flera bilder tillhandahålls identifierar du deras ordning och roll i stället för att låta modellen härleda vilken som är original, revision eller referens.
Kombinera exempelvis ett skriftligt processkrav med en skärmbild och begär en tabell över synliga överensstämmelser, skillnader och frågor som kräver mer information. En annan uppgift kan innehålla två versioner av ett dokument och efterfråga ett reviderat avsnitt som bevarar deras gemensamma villkor samtidigt som en namngiven motsägelse löses. Detta är föreslagna tillämpningar av de dokumenterade bild-, dokument- och redigeringsfunktionerna, med det nödvändiga resultatet definierat i förväg.
Förberedelse av den slutliga leveransen
Ge assistenten en tydlig roll, källmaterialet som ska användas och svarets form. Håll bestående svarsregler skilda från dokumentet som granskas och ange målspråk och terminologi. Ett användbart svar kan skilja ett extraherat faktum, dess källa och en tolkning åt, vilket gör det lättare att granska än en enda sammanslagen sammanfattning.
Det dokumenterade resultatet förblir text. Externa verktyg, filändringar och ytterligare dokumentbearbetning hör till applikationen som är ansluten till samtalet. Bevara den namngivna utgåvan Medium 3.1 och dess kontext på 128k token och begär förklaringen, den strukturerade posten eller den riktade revisionen som nästa steg faktiskt behöver.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-medium-3.1 | 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 $0.0008 / 1K token Utdata · Utdatatoken $0.004 / 1K token Indata · Cacheläsning $0.00008 / 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 $0.0008 / 1K token Utdata · Utdatatoken $0.004 / 1K token Indata · Cacheläsning $0.00008 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3.1", "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-medium-3.1',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-medium-3.1',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-medium-3.1
Använd metodsökvägarna som visas ovan.
mistralai/mistral-medium-3.1Mistral Medium 3.1 är en modell för text och bilder, avsedd för samtalssvar, dokumentfrågor och strukturerad extraktion. Kontexten på 128k token enligt tillverkaren och listade funktioner för funktionsanrop, förutsagda utdata och prefix stöder källbaserade förklaringar och riktade redigeringsflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Medium 3.1 är en multimodal Mistral AI-utgåva för text- och bildförståelse. Tillverkaren beskriver revisionen som en förbättring av ton och prestanda inom Medium 3-serien. Den tar emot text och bilder och producerar text: en förklaring, ett svar om ett dokument, en strukturerad post eller ett föreslaget funktionsanrop. Tillverkarens fasta identifierare för utgåvan är mistral-medium-2508.
Kontext och den specifika utgåvan
Modellsidan dokumenterar ett kontextfönster på 128k token. Använd det för att hålla relaterade källavsnitt, bildunderlag, samtalet och användarens uppgift samlade. Identifiera dokumentens roller och frågan som ska besvaras innan du tillhandahåller en stor samling. En lång kontext kan stödja en fokuserad jämförelse medan den slutliga leveransen förblir en kort tabell eller ett reviderat avsnitt.
Medium 3.1 behåller sin egen specifikation. Kontexten på 256k token, den täta arkitekturen med 128 miljarder parametrar och de konfigurerbara hybridlägena för resonemang som beskrivs för Medium 3.5 ska inte tillskrivas den här posten. Sidan för 3.1 anger inget parameterantal eller separat siffra för maximal svarslängd som säkert kan ersättas med uppgiften från den senare modellen.
Strukturerade utdata och funktioner
Tillverkaren listar strukturerade utdata, funktionsanrop och förutsagda utdata bland utgåvans funktioner. För en strukturerad extraktionsuppgift definierar du obligatoriska fält, förväntade typer och hanteringen av information som saknas i källan. En post kan innehålla dokumentidentifieraren, den extraherade utsagan, dess källhänvisning och frågan som återstår. Begär enbart posten när ett program ska tolka den, eller håll en förklaring i löptext separat när någon måste granska tolkningen.
Mistrals gemensamma dokumentation för strukturerade utdata skiljer JSON-läge från ett anpassat schema. JSON-läge kräver en uttrycklig instruktion om önskat JSON-format, medan det anpassade alternativet definierar en mer specifik struktur. Detta är formatering av textresultatet, inte en ny innehållsmodalitet eller en extern åtgärd.
För funktioner definierar applikationen den tillgängliga operationen och argumenten, modellen väljer ett lämpligt anrop och förbereder värden, och applikationen kör det. Resultatet blir sedan information för nästa svar. En dokumentassistent kan använda en uppslagning för att få saknade referensdata, men bara om den omgivande applikationen tillhandahåller uppslagningen och returnerar dess faktiska resultat. Håll det föreslagna anropet och de returnerade uppgifterna kopplade till varandra.
Förutsagda ändringar och svarsprefix
Förutsagda utdata är användbara när det mesta av det önskade resultatet redan är känt, exempelvis ett dokument eller en kodfil som behöver en begränsad ändring. Tillhandahåll befintligt innehåll och beskriv ändringen exakt, inklusive vad som måste lämnas oförändrat. En begäran kan uppdatera terminologin i ett avsnitt eller ersätta en implementationsdetalj samtidigt som resten av dokumentet bevaras. Prediktionen innehåller förväntat utdatainnehåll snarare än en slutförd ändring som tillämpats på en fil.
Modellsidan listar också fortsättning från svarsprefix. I tillverkarens chattdokumentation anger ett prefix en känd början på assistentens svar, varefter genereringen fortsätter. En känd början och en förutsagd textkropp löser olika förberedelseproblem. Batchbearbetning och agent-/samtalsgränssnitt är likaså arbetsflödesfunktioner snarare än separata bild-, ljud- eller resonemangsutgåvor av Medium 3.1.
Dokument- och bildfrågor
Det listade Document QnA-flödet kombinerar OCR-förberedd text, struktur och formatering med språkmodellsanalys. Fråga om det specifika villkor, avsnitt eller samband som uppgiften kräver. En jämförelse kan identifiera källdokumenten och efterfråga gemensamma utsagor, konflikter och olösta detaljer, med en källhänvisning bevarad bredvid varje slutsats.
Tillverkarens bildguide inkluderar uttryckligen Medium 3.1. En direkt bildfråga kan innehålla ett läsbart diagram, en dokumentbild eller en skärmbild och fråga vilket synligt underlag som stöder en slutsats. Bevara axlar, enheter, etiketter och sammanhanget runt ett beskuret fält. Om flera bilder tillhandahålls identifierar du deras ordning och roll i stället för att låta modellen härleda vilken som är original, revision eller referens.
Kombinera exempelvis ett skriftligt processkrav med en skärmbild och begär en tabell över synliga överensstämmelser, skillnader och frågor som kräver mer information. En annan uppgift kan innehålla två versioner av ett dokument och efterfråga ett reviderat avsnitt som bevarar deras gemensamma villkor samtidigt som en namngiven motsägelse löses. Detta är föreslagna tillämpningar av de dokumenterade bild-, dokument- och redigeringsfunktionerna, med det nödvändiga resultatet definierat i förväg.
Förberedelse av den slutliga leveransen
Ge assistenten en tydlig roll, källmaterialet som ska användas och svarets form. Håll bestående svarsregler skilda från dokumentet som granskas och ange målspråk och terminologi. Ett användbart svar kan skilja ett extraherat faktum, dess källa och en tolkning åt, vilket gör det lättare att granska än en enda sammanslagen sammanfattning.
Det dokumenterade resultatet förblir text. Externa verktyg, filändringar och ytterligare dokumentbearbetning hör till applikationen som är ansluten till samtalet. Bevara den namngivna utgåvan Medium 3.1 och dess kontext på 128k token och begär förklaringen, den strukturerade posten eller den riktade revisionen som nästa steg faktiskt behöver.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-medium-3.1 | 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 $0.0008 / 1K token Utdata · Utdatatoken $0.004 / 1K token Indata · Cacheläsning $0.00008 / 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 $0.0008 / 1K token Utdata · Utdatatoken $0.004 / 1K token Indata · Cacheläsning $0.00008 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-medium-3.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-medium-3.1', '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-medium-3.1', '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-medium-3.1
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Apply a narrow terminology edit\n\nRevise only the terminology in this paragraph: 'A subscriber can pause the plan. The subscriber keeps access until the current period ends. Support can help the subscriber resume.' Replace 'subscriber' with 'member', adapting capitalization, and keep every condition and sentence order. Return the revised paragraph alone, without claiming a file was modified.The complete revised paragraph with the requested terminology change only.The access-until-period-end condition and pause/resume distinction must remain intact.