Mistral Medium 3.5 är Mistral AI:s täta modell med 128 miljarder parametrar som kombinerar instruktionsföljning, resonemang och kodning i en och samma uppsättning vikter. Den tar emot text och bilder och returnerar text. Tillverkaren positionerar den för agent- och koduppgifter, samtidigt som samma modellversion kan ge ett direkt samtalssvar eller använda sitt dokumenterade resonemangsläge för en mer krävande uppgift.
En enhetlig modell och bildfunktioner
Det publicerade modellkortet anger 128 miljarder täta parametrar och ett kontextfönster på 256k token. Bildkodaren är tränad för att hantera olika bildstorlekar och bildförhållanden. Bilder kan bidra med underlag till en kod- eller dokumentuppgift: en skärmbild av ett gränssnitt, ett diagram som hör till ett krav eller en sida med information som modellen ska tolka. Resultatet kan vara en skriftlig förklaring, kod eller strukturerade fält snarare än en genererad bild.
Tillverkaren beskriver stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Tillverkaren framhåller också följsamhet till systemprompten och inbyggda funktionsanrop med JSON-utdata. Ange målgrupp, språk och svarsregler separat från materialet som granskas, så att källdokumentets ordalydelse förblir underlag för uppgiften.
Resonemangsinställningar
Modellkortet dokumenterar två värden för resonemangsinsats per begäran. Värdet none ger ett instruktionsbaserat svar utan resonemangsläge; high aktiverar resonemang och rekommenderas för komplexa prompter och agentbaserad kodning. Detta är ett lägesval inom samma modellversion av Medium 3.5, inte en annan modellidentitet.
För hög resonemangsinsats rekommenderar tillverkaren temperatur 0.7 och top-p 0.95. För none dokumenteras temperaturer mellan 0.0 och 0.7 beroende på uppgiften, och top-p lämnas utan värde eller sätts till 1.0. Detta är rekommendationer för utgåvan. Välj först syftet med utdata: en kortfattad fältextraktion, en kodändring med en förklaring eller en jämförelse som kräver flera motiverade beslut.
En praktisk resonemangsuppgift kan innehålla ett krav, implementationen och de indata som visar en avvikelse. Be modellen identifiera den relevanta exekveringsvägen, förklara avvikelsen och föreslå den minsta ändringen som bevarar det publika gränssnittet. Begär den reviderade koden separat från antagandena och exemplen. Modellen genererar ett förslag; att kompilera, köra och tillämpa det kräver utvecklingsmiljön som är ansluten till agenten.
Verktyg, dokument och förutsägbara ändringar
Tillverkarens tjänstekort listar också strukturerade utdata, förutsagda utdata, dokumentfrågor, svarsprefix, batchbearbetning och agentsamtal. För extraktion definierar du fältnamn, typer och hantering av saknade värden. JSON-läge ger en strukturerad representation, medan ett anpassat schema definierar en mer specifik form i det anslutna gränssnittet. Begär enbart posten när ett program ska tolka den och en separat förklaring när en person behöver granska tolkningen.
Frågor om dokument kombinerar OCR-förberedd text och struktur med språkmodellens förståelse. För en jämförelse identifierar du dokumenten och villkoret som ska bedömas och begär sedan varje slutsats med en källhänvisning. Användbara utdata kan skilja gemensamma krav, meningsskiljaktigheter och öppna frågor åt. Direkta bildfrågor kan fokusera på en diagrametikett eller ett gränssnittselement; bevarade rubriker, enheter och bildroller hjälper svaret att förbli knutet till det tillhandahållna materialet.
Förutsagda utdata dokumenteras för uppgifter där stora delar av det önskade svaret redan är kända, exempelvis att återskapa en kodfil eller ett dokument med begränsade ändringar. Tillhandahåll befintligt innehåll och identifiera den specifika ändringen, med bevarande av de delar som ska lämnas kvar. Detta skiljer sig från att begära en helt ny leverans eller fortsätta från ett känt svarsprefix. Tjänstefunktionerna beskriver alternativ för inskickning och formatering; de ändrar inte modellens text- och bildindata eller textutdata.
I ett arbetsflöde med verktygsstöd tillhandahåller applikationen funktionsbeskrivningar och parametrar, modellen väljer en funktion och förbereder argument, och applikationen kör den och returnerar resultatet. Ett beräkningsverktyg kan ta emot värden avlästa från en tillhandahållen bild, medan ett uppslagningsverktyg kan ge saknad information till nästa svar. Håll verktygsresultatet kopplat till operationen som skapade det. Agentbaserat resonemang bygger på den miljön och innebär inte att textgenerering ensam utför externa åtgärder.
Förberedelse för långa sessioner
Använd kontexten på 256k token för relaterad källkod, dokument och samtalshistorik och håll det faktiska målet tydligt. En kodsession kan behålla modulen, dess anropare och kraven samtidigt som den efterfrågar en definierad ändring. En dokumentsession kan hålla relevanta avsnitt samlade och returnera en kort tabell eller ett reviderat avsnitt. Kontextkapaciteten anger ingen separat maximal svarslängd; modellkortets genereringsexempel på 1 024 token är en illustration, inte den gränsen.
Tillverkaren påpekar att en äldre publicerad konfiguration innehöll ett fel för lång kontext och att det har rättats, inklusive dess betydelse för härledda modellversioner. Bevara den korrigerade utgåvekonfigurationen när vikterna används för långa sessioner. Medium 3.5:s hybridlägen och arkitektur med 128 miljarder parametrar ska inte tillskrivas Medium 3.1 eller en separat namngiven modellversion med draft-head bara för att namnen tillhör samma familj.
", "aboutText": "Mistral Medium 3.5 är Mistral AI:s täta modell med 128 miljarder parametrar som kombinerar instruktionsföljning, resonemang och kodning i en och samma uppsättning vikter. Den tar emot text och bilder och returnerar text. Tillverkaren positionerar den för agent- och koduppgifter, samtidigt som samma modellversion kan ge ett direkt samtalssvar eller använda sitt dokumenterade resonemangsläge för en mer krävande uppgift.\n\nEn enhetlig modell och bildfunktioner\n\nDet publicerade modellkortet anger 128 miljarder täta parametrar och ett kontextfönster på 256k token. Bildkodaren är tränad för att hantera olika bildstorlekar och bildförhållanden. Bilder kan bidra med underlag till en kod- eller dokumentuppgift: en skärmbild av ett gränssnitt, ett diagram som hör till ett krav eller en sida med information som modellen ska tolka. Resultatet kan vara en skriftlig förklaring, kod eller strukturerade fält snarare än en genererad bild.\n\nTillverkaren beskriver stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Tillverkaren framhåller också följsamhet till systemprompten och inbyggda funktionsanrop med JSON-utdata. Ange målgrupp, språk och svarsregler separat från materialet som granskas, så att källdokumentets ordalydelse förblir underlag för uppgiften.\n\nResonemangsinställningar\n\nModellkortet dokumenterar två värden för resonemangsinsats per begäran. Värdet none ger ett instruktionsbaserat svar utan resonemangsläge; high aktiverar resonemang och rekommenderas för komplexa prompter och agentbaserad kodning. Detta är ett lägesval inom samma modellversion av Medium 3.5, inte en annan modellidentitet.\n\nFör hög resonemangsinsats rekommenderar tillverkaren temperatur 0.7 och top-p 0.95. För none dokumenteras temperaturer mellan 0.0 och 0.7 beroende på uppgiften, och top-p lämnas utan värde eller sätts till 1.0. Detta är rekommendationer för utgåvan. Välj först syftet med utdata: en kortfattad fältextraktion, en kodändring med en förklaring eller en jämförelse som kräver flera motiverade beslut.\n\nEn praktisk resonemangsuppgift kan innehålla ett krav, implementationen och de indata som visar en avvikelse. Be modellen identifiera den relevanta exekveringsvägen, förklara avvikelsen och föreslå den minsta ändringen som bevarar det publika gränssnittet. Begär den reviderade koden separat från antagandena och exemplen. Modellen genererar ett förslag; att kompilera, köra och tillämpa det kräver utvecklingsmiljön som är ansluten till agenten.\n\nVerktyg, dokument och förutsägbara ändringar\n\nTillverkarens tjänstekort listar också strukturerade utdata, förutsagda utdata, dokumentfrågor, svarsprefix, batchbearbetning och agentsamtal. För extraktion definierar du fältnamn, typer och hantering av saknade värden. JSON-läge ger en strukturerad representation, medan ett anpassat schema definierar en mer specifik form i det anslutna gränssnittet. Begär enbart posten när ett program ska tolka den och en separat förklaring när en person behöver granska tolkningen.\n\nFrågor om dokument kombinerar OCR-förberedd text och struktur med språkmodellens förståelse. För en jämförelse identifierar du dokumenten och villkoret som ska bedömas och begär sedan varje slutsats med en källhänvisning. Användbara utdata kan skilja gemensamma krav, meningsskiljaktigheter och öppna frågor åt. Direkta bildfrågor kan fokusera på en diagrametikett eller ett gränssnittselement; bevarade rubriker, enheter och bildroller hjälper svaret att förbli knutet till det tillhandahållna materialet.\n\nFörutsagda utdata dokumenteras för uppgifter där stora delar av det önskade svaret redan är kända, exempelvis att återskapa en kodfil eller ett dokument med begränsade ändringar. Tillhandahåll befintligt innehåll och identifiera den specifika ändringen, med bevarande av de delar som ska lämnas kvar. Detta skiljer sig från att begära en helt ny leverans eller fortsätta från ett känt svarsprefix. Tjänstefunktionerna beskriver alternativ för inskickning och formatering; de ändrar inte modellens text- och bildindata eller textutdata.\n\nI ett arbetsflöde med verktygsstöd tillhandahåller applikationen funktionsbeskrivningar och parametrar, modellen väljer en funktion och förbereder argument, och applikationen kör den och returnerar resultatet. Ett beräkningsverktyg kan ta emot värden avlästa från en tillhandahållen bild, medan ett uppslagningsverktyg kan ge saknad information till nästa svar. Håll verktygsresultatet kopplat till operationen som skapade det. Agentbaserat resonemang bygger på den miljön och innebär inte att textgenerering ensam utför externa åtgärder.\n\nFörberedelse för långa sessioner\n\nAnvänd kontexten på 256k token för relaterad källkod, dokument och samtalshistorik och håll det faktiska målet tydligt. En kodsession kan behålla modulen, dess anropare och kraven samtidigt som den efterfrågar en definierad ändring. En dokumentsession kan hålla relevanta avsnitt samlade och returnera en kort tabell eller ett reviderat avsnitt. Kontextkapaciteten anger ingen separat maximal svarslängd; modellkortets genereringsexempel på 1 024 token är en illustration, inte den gränsen.\n\nTillverkaren påpekar att en äldre publicerad konfiguration innehöll ett fel för lång kontext och att det har rättats, inklusive dess betydelse för härledda modellversioner. Bevara den korrigerade utgåvekonfigurationen när vikterna används för långa sessioner. Medium 3.5:s hybridlägen och arkitektur med 128 miljarder parametrar ska inte tillskrivas Medium 3.1 eller en separat namngiven modellversion med draft-head bara för att namnen tillhör samma familj.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.mistralai/mistral-medium-3-5Mistral Medium 3.5 kombinerar instruktionsföljning, resonemang och kodning i en tät modell för text och bilder med 128 miljarder parametrar. Den har en kontext på 256k token enligt tillverkaren, resonemangsinställningar per begäran, inbyggda funktionsanrop och strukturerade utdata för dokument- och agentflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Medium 3.5 är Mistral AI:s täta modell med 128 miljarder parametrar som kombinerar instruktionsföljning, resonemang och kodning i en och samma uppsättning vikter. Den tar emot text och bilder och returnerar text. Tillverkaren positionerar den för agent- och koduppgifter, samtidigt som samma modellversion kan ge ett direkt samtalssvar eller använda sitt dokumenterade resonemangsläge för en mer krävande uppgift.
En enhetlig modell och bildfunktioner
Det publicerade modellkortet anger 128 miljarder täta parametrar och ett kontextfönster på 256k token. Bildkodaren är tränad för att hantera olika bildstorlekar och bildförhållanden. Bilder kan bidra med underlag till en kod- eller dokumentuppgift: en skärmbild av ett gränssnitt, ett diagram som hör till ett krav eller en sida med information som modellen ska tolka. Resultatet kan vara en skriftlig förklaring, kod eller strukturerade fält snarare än en genererad bild.
Tillverkaren beskriver stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Tillverkaren framhåller också följsamhet till systemprompten och inbyggda funktionsanrop med JSON-utdata. Ange målgrupp, språk och svarsregler separat från materialet som granskas, så att källdokumentets ordalydelse förblir underlag för uppgiften.
Resonemangsinställningar
Modellkortet dokumenterar två värden för resonemangsinsats per begäran. Värdet none ger ett instruktionsbaserat svar utan resonemangsläge; high aktiverar resonemang och rekommenderas för komplexa prompter och agentbaserad kodning. Detta är ett lägesval inom samma modellversion av Medium 3.5, inte en annan modellidentitet.
För hög resonemangsinsats rekommenderar tillverkaren temperatur 0.7 och top-p 0.95. För none dokumenteras temperaturer mellan 0.0 och 0.7 beroende på uppgiften, och top-p lämnas utan värde eller sätts till 1.0. Detta är rekommendationer för utgåvan. Välj först syftet med utdata: en kortfattad fältextraktion, en kodändring med en förklaring eller en jämförelse som kräver flera motiverade beslut.
En praktisk resonemangsuppgift kan innehålla ett krav, implementationen och de indata som visar en avvikelse. Be modellen identifiera den relevanta exekveringsvägen, förklara avvikelsen och föreslå den minsta ändringen som bevarar det publika gränssnittet. Begär den reviderade koden separat från antagandena och exemplen. Modellen genererar ett förslag; att kompilera, köra och tillämpa det kräver utvecklingsmiljön som är ansluten till agenten.
Verktyg, dokument och förutsägbara ändringar
Tillverkarens tjänstekort listar också strukturerade utdata, förutsagda utdata, dokumentfrågor, svarsprefix, batchbearbetning och agentsamtal. För extraktion definierar du fältnamn, typer och hantering av saknade värden. JSON-läge ger en strukturerad representation, medan ett anpassat schema definierar en mer specifik form i det anslutna gränssnittet. Begär enbart posten när ett program ska tolka den och en separat förklaring när en person behöver granska tolkningen.
Frågor om dokument kombinerar OCR-förberedd text och struktur med språkmodellens förståelse. För en jämförelse identifierar du dokumenten och villkoret som ska bedömas och begär sedan varje slutsats med en källhänvisning. Användbara utdata kan skilja gemensamma krav, meningsskiljaktigheter och öppna frågor åt. Direkta bildfrågor kan fokusera på en diagrametikett eller ett gränssnittselement; bevarade rubriker, enheter och bildroller hjälper svaret att förbli knutet till det tillhandahållna materialet.
Förutsagda utdata dokumenteras för uppgifter där stora delar av det önskade svaret redan är kända, exempelvis att återskapa en kodfil eller ett dokument med begränsade ändringar. Tillhandahåll befintligt innehåll och identifiera den specifika ändringen, med bevarande av de delar som ska lämnas kvar. Detta skiljer sig från att begära en helt ny leverans eller fortsätta från ett känt svarsprefix. Tjänstefunktionerna beskriver alternativ för inskickning och formatering; de ändrar inte modellens text- och bildindata eller textutdata.
I ett arbetsflöde med verktygsstöd tillhandahåller applikationen funktionsbeskrivningar och parametrar, modellen väljer en funktion och förbereder argument, och applikationen kör den och returnerar resultatet. Ett beräkningsverktyg kan ta emot värden avlästa från en tillhandahållen bild, medan ett uppslagningsverktyg kan ge saknad information till nästa svar. Håll verktygsresultatet kopplat till operationen som skapade det. Agentbaserat resonemang bygger på den miljön och innebär inte att textgenerering ensam utför externa åtgärder.
Förberedelse för långa sessioner
Använd kontexten på 256k token för relaterad källkod, dokument och samtalshistorik och håll det faktiska målet tydligt. En kodsession kan behålla modulen, dess anropare och kraven samtidigt som den efterfrågar en definierad ändring. En dokumentsession kan hålla relevanta avsnitt samlade och returnera en kort tabell eller ett reviderat avsnitt. Kontextkapaciteten anger ingen separat maximal svarslängd; modellkortets genereringsexempel på 1 024 token är en illustration, inte den gränsen.
Tillverkaren påpekar att en äldre publicerad konfiguration innehöll ett fel för lång kontext och att det har rättats, inklusive dess betydelse för härledda modellversioner. Bevara den korrigerade utgåvekonfigurationen när vikterna används för långa sessioner. Medium 3.5:s hybridlägen och arkitektur med 128 miljarder parametrar ska inte tillskrivas Medium 3.1 eller en separat namngiven modellversion med draft-head bara för att namnen tillhör samma familj.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-medium-3-5 | 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 $0.003 / 1K token Utdata · Utdatatoken $0.015 / 1K token Indata · Cacheläsning — / 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 $0.003 / 1K token Utdata · Utdatatoken $0.015 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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-3-5", "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-3-5',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-3-5',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-3-5
Använd metodsökvägarna som visas ovan.
mistralai/mistral-medium-3-5Mistral Medium 3.5 kombinerar instruktionsföljning, resonemang och kodning i en tät modell för text och bilder med 128 miljarder parametrar. Den har en kontext på 256k token enligt tillverkaren, resonemangsinställningar per begäran, inbyggda funktionsanrop och strukturerade utdata för dokument- och agentflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Medium 3.5 är Mistral AI:s täta modell med 128 miljarder parametrar som kombinerar instruktionsföljning, resonemang och kodning i en och samma uppsättning vikter. Den tar emot text och bilder och returnerar text. Tillverkaren positionerar den för agent- och koduppgifter, samtidigt som samma modellversion kan ge ett direkt samtalssvar eller använda sitt dokumenterade resonemangsläge för en mer krävande uppgift.
En enhetlig modell och bildfunktioner
Det publicerade modellkortet anger 128 miljarder täta parametrar och ett kontextfönster på 256k token. Bildkodaren är tränad för att hantera olika bildstorlekar och bildförhållanden. Bilder kan bidra med underlag till en kod- eller dokumentuppgift: en skärmbild av ett gränssnitt, ett diagram som hör till ett krav eller en sida med information som modellen ska tolka. Resultatet kan vara en skriftlig förklaring, kod eller strukturerade fält snarare än en genererad bild.
Tillverkaren beskriver stöd för tiotals språk, däribland engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, kinesiska, japanska, koreanska och arabiska. Tillverkaren framhåller också följsamhet till systemprompten och inbyggda funktionsanrop med JSON-utdata. Ange målgrupp, språk och svarsregler separat från materialet som granskas, så att källdokumentets ordalydelse förblir underlag för uppgiften.
Resonemangsinställningar
Modellkortet dokumenterar två värden för resonemangsinsats per begäran. Värdet none ger ett instruktionsbaserat svar utan resonemangsläge; high aktiverar resonemang och rekommenderas för komplexa prompter och agentbaserad kodning. Detta är ett lägesval inom samma modellversion av Medium 3.5, inte en annan modellidentitet.
För hög resonemangsinsats rekommenderar tillverkaren temperatur 0.7 och top-p 0.95. För none dokumenteras temperaturer mellan 0.0 och 0.7 beroende på uppgiften, och top-p lämnas utan värde eller sätts till 1.0. Detta är rekommendationer för utgåvan. Välj först syftet med utdata: en kortfattad fältextraktion, en kodändring med en förklaring eller en jämförelse som kräver flera motiverade beslut.
En praktisk resonemangsuppgift kan innehålla ett krav, implementationen och de indata som visar en avvikelse. Be modellen identifiera den relevanta exekveringsvägen, förklara avvikelsen och föreslå den minsta ändringen som bevarar det publika gränssnittet. Begär den reviderade koden separat från antagandena och exemplen. Modellen genererar ett förslag; att kompilera, köra och tillämpa det kräver utvecklingsmiljön som är ansluten till agenten.
Verktyg, dokument och förutsägbara ändringar
Tillverkarens tjänstekort listar också strukturerade utdata, förutsagda utdata, dokumentfrågor, svarsprefix, batchbearbetning och agentsamtal. För extraktion definierar du fältnamn, typer och hantering av saknade värden. JSON-läge ger en strukturerad representation, medan ett anpassat schema definierar en mer specifik form i det anslutna gränssnittet. Begär enbart posten när ett program ska tolka den och en separat förklaring när en person behöver granska tolkningen.
Frågor om dokument kombinerar OCR-förberedd text och struktur med språkmodellens förståelse. För en jämförelse identifierar du dokumenten och villkoret som ska bedömas och begär sedan varje slutsats med en källhänvisning. Användbara utdata kan skilja gemensamma krav, meningsskiljaktigheter och öppna frågor åt. Direkta bildfrågor kan fokusera på en diagrametikett eller ett gränssnittselement; bevarade rubriker, enheter och bildroller hjälper svaret att förbli knutet till det tillhandahållna materialet.
Förutsagda utdata dokumenteras för uppgifter där stora delar av det önskade svaret redan är kända, exempelvis att återskapa en kodfil eller ett dokument med begränsade ändringar. Tillhandahåll befintligt innehåll och identifiera den specifika ändringen, med bevarande av de delar som ska lämnas kvar. Detta skiljer sig från att begära en helt ny leverans eller fortsätta från ett känt svarsprefix. Tjänstefunktionerna beskriver alternativ för inskickning och formatering; de ändrar inte modellens text- och bildindata eller textutdata.
I ett arbetsflöde med verktygsstöd tillhandahåller applikationen funktionsbeskrivningar och parametrar, modellen väljer en funktion och förbereder argument, och applikationen kör den och returnerar resultatet. Ett beräkningsverktyg kan ta emot värden avlästa från en tillhandahållen bild, medan ett uppslagningsverktyg kan ge saknad information till nästa svar. Håll verktygsresultatet kopplat till operationen som skapade det. Agentbaserat resonemang bygger på den miljön och innebär inte att textgenerering ensam utför externa åtgärder.
Förberedelse för långa sessioner
Använd kontexten på 256k token för relaterad källkod, dokument och samtalshistorik och håll det faktiska målet tydligt. En kodsession kan behålla modulen, dess anropare och kraven samtidigt som den efterfrågar en definierad ändring. En dokumentsession kan hålla relevanta avsnitt samlade och returnera en kort tabell eller ett reviderat avsnitt. Kontextkapaciteten anger ingen separat maximal svarslängd; modellkortets genereringsexempel på 1 024 token är en illustration, inte den gränsen.
Tillverkaren påpekar att en äldre publicerad konfiguration innehöll ett fel för lång kontext och att det har rättats, inklusive dess betydelse för härledda modellversioner. Bevara den korrigerade utgåvekonfigurationen när vikterna används för långa sessioner. Medium 3.5:s hybridlägen och arkitektur med 128 miljarder parametrar ska inte tillskrivas Medium 3.1 eller en separat namngiven modellversion med draft-head bara för att namnen tillhör samma familj.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-medium-3-5 | 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 $0.003 / 1K token Utdata · Utdatatoken $0.015 / 1K token Indata · Cacheläsning — / 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 $0.003 / 1K token Utdata · Utdatatoken $0.015 / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-medium-3-5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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-3-5', '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-3-5', '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-3-5
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Preserve a public sorting interface\n\nReview this Python function: def ordered(rows, reverse=False): return sorted(rows, key=lambda r: r['score'], reverse=True). The documented reverse argument must control direction, while ties keep input order. Propose the smallest correction without changing the signature. Give test cases for default order, reverse=True and tied scores, with expected row IDs.A minimal function correction and three explicit input/output test cases.Check the public signature is preserved and tie order remains stable in both directions.