Mistral Medium 3 är Mistral AI:s multimodala modell för professionellt arbete med text, bildförståelse och kod. Den ursprungliga utgåvan framhåller kodning och STEM-uppgifter tillsammans med anpassning till företagskunskap och arbetsflöden. Den tar emot text och visuellt material och producerar text, inklusive en dokumentförklaring, en strukturerad post eller en föreslagen implementation. Tillverkarens fasta identifierare för utgåvan är mistral-medium-2505.
Kontext och professionellt källmaterial
Modellsidan anger ett kontextfönster på 128k token. Använd kontexten för att behålla de källavsnitt, samtal och instruktioner som bestämmer den efterfrågade leveransen. För en dokumentjämförelse identifierar du vilken källa som är det aktuella kravet, vilken som är den föreslagna revisionen och vilken fråga som ska lösas. Begär det stödjande dokumentet och avsnittet bredvid varje slutsats.
En praktisk förklaringsuppgift kan innehålla en rutin och en användarfråga och sedan efterfråga den relevanta åtgärden och villkoret som gör den tillämplig. En teknisk analys kan innehålla källdata, definitioner och jämförelsekriteriet. Målet är ett resultat knutet till det tillhandahållna materialet snarare än en allmän beskrivning av ämnet.
Strukturerade utdata och funktioner
Sidan listar strukturerade utdata och funktionsanrop. För extraktion definierar du fältnamn, typer och representation av information som saknas i källan. En användbar post kan skilja identifierare, källutsaga, tolkning och obesvarad fråga åt. Mistrals gemensamma vägledning skiljer JSON-läge från ett anpassat schema och kräver en uttrycklig begäran om önskat JSON-format.
Funktionsanrop kopplar modellens tolkning till operationer som applikationen beskriver. Modellen väljer en funktion och förbereder argument, applikationen kör funktionen och resultatet blir kontext för nästa svar. En uppslagning kan ge ett saknat referensvärde; en beräkning kan ge ett resultat som förklaringen behöver. Håll resultatet kopplat till operationen som skapade det, i stället för att behandla det föreslagna anropet som en utförd åtgärd.
Dokument- och bildfrågor
Frågor om dokument listas också för den här utgåvan. Tillverkarens dokumenterade arbetsflöde förbereder ett dokuments text, struktur och formatering med OCR före språkmodellsanalysen. Fråga om det specifika krav, avsnitt eller samband som uppgiften behöver. För flera dokument bevarar du deras identiteter och begär en jämförelse med en källhänvisning bredvid varje slutsats.
För visuellt material kombinerar du bilden med en definierad fråga och bevarar de etiketter, enheter och områden som behövs för svaret. För ett diagram kan du begära en jämförelse mellan namngivna serier; för en schematisk bild kan du fråga vilken koppling som stöder ett angivet krav. En läsbar dokumentbild och ett OCR-förberett dokument är olika förberedelser av indata, även när båda tjänar samma mål att besvara frågor.
Redigering, prefix och arbetsflöden
Modellsidan listar förutsagda utdata, svarsprefix, batchbearbetning och agentsamtal. Förutsagda utdata använder känt innehåll när det mesta av ett dokument eller en kodfil ska bevaras medan en begränsad del ändras. Tillhandahåll befintligt innehåll, ange ändringen och identifiera materialet som ska bevaras. Detta skiljer sig från att be modellen skapa ett helt nytt dokument.
Ett svarsprefix anger en känd början för assistentens genererade text, som sedan fortsätter därifrån. Batchbearbetning ändrar hur uppgifter skickas in, medan ett agent-/samtalsgränssnitt hanterar ett sammanhängande arbetsflöde. De listade inbyggda verktygen hör till det gränssnittet hos tillverkaren; de tillför inte en annan innehållsmodalitet till den underliggande modellen och utför inte en åtgärd utan den anslutna miljön.
Kodning och domänanpassning
För en programmeringsbegäran tillhandahåller du kravet, den berörda funktionen, relevanta deklarationer och förväntade indata och utdata. Begär den föreslagna ändringen, dess antaganden och exempel som skiljer det avsedda beteendet från andra beteenden. En felsökningsfråga kan innehålla underlaget för felet och fråga vilken väg genom källkoden som förklarar det. Åtkomst till kodarkivet, kodkörning och tillämpning av ändringen kommer från de omgivande utvecklingsverktygen.
Det ursprungliga tillkännagivandet beskriver anpassad efterträning och finjustering för domänspecifika företagskontexter och kunskapsbaser. Det är en separat anpassningsprocess, inte ett påstående om att standardmodellen redan känner till en viss organisations dokument. För ett källbaserat svar tillhandahåller du relevanta dokument och terminologi direkt med uppgiften och definierar svarsreglerna.
Utgåvans och resultatets gränser
Den här posten bevarar Medium 3:s identitet 2505 och kontext på 128k token. Arkitekturens parameterantal och de konfigurerbara hybridkontrollerna för resonemang som senare dokumenterats för Medium 3.5 ingår inte i den här utgåvans angivna specifikation. Den specifika modellsidan publicerar inget parameterantal eller separat strikt maximal svarslängd som kan lånas från en senare utgåva.
Förbered det avsedda resultatet före begäran: en förklaring, strukturerad extraktion, ett reviderat avsnitt eller föreslagen kod. Håll text- och bildunderlaget, källidentiteterna och eventuella resultat från anslutna verktyg tydliga så att svaret kan granskas och användas i nästa applikationssteg.
", "aboutText": "Mistral Medium 3 är Mistral AI:s multimodala modell för professionellt arbete med text, bildförståelse och kod. Den ursprungliga utgåvan framhåller kodning och STEM-uppgifter tillsammans med anpassning till företagskunskap och arbetsflöden. Den tar emot text och visuellt material och producerar text, inklusive en dokumentförklaring, en strukturerad post eller en föreslagen implementation. Tillverkarens fasta identifierare för utgåvan är mistral-medium-2505.\n\nKontext och professionellt källmaterial\n\nModellsidan anger ett kontextfönster på 128k token. Använd kontexten för att behålla de källavsnitt, samtal och instruktioner som bestämmer den efterfrågade leveransen. För en dokumentjämförelse identifierar du vilken källa som är det aktuella kravet, vilken som är den föreslagna revisionen och vilken fråga som ska lösas. Begär det stödjande dokumentet och avsnittet bredvid varje slutsats.\n\nEn praktisk förklaringsuppgift kan innehålla en rutin och en användarfråga och sedan efterfråga den relevanta åtgärden och villkoret som gör den tillämplig. En teknisk analys kan innehålla källdata, definitioner och jämförelsekriteriet. Målet är ett resultat knutet till det tillhandahållna materialet snarare än en allmän beskrivning av ämnet.\n\nStrukturerade utdata och funktioner\n\nSidan listar strukturerade utdata och funktionsanrop. För extraktion definierar du fältnamn, typer och representation av information som saknas i källan. En användbar post kan skilja identifierare, källutsaga, tolkning och obesvarad fråga åt. Mistrals gemensamma vägledning skiljer JSON-läge från ett anpassat schema och kräver en uttrycklig begäran om önskat JSON-format.\n\nFunktionsanrop kopplar modellens tolkning till operationer som applikationen beskriver. Modellen väljer en funktion och förbereder argument, applikationen kör funktionen och resultatet blir kontext för nästa svar. En uppslagning kan ge ett saknat referensvärde; en beräkning kan ge ett resultat som förklaringen behöver. Håll resultatet kopplat till operationen som skapade det, i stället för att behandla det föreslagna anropet som en utförd åtgärd.\n\nDokument- och bildfrågor\n\nFrågor om dokument listas också för den här utgåvan. Tillverkarens dokumenterade arbetsflöde förbereder ett dokuments text, struktur och formatering med OCR före språkmodellsanalysen. Fråga om det specifika krav, avsnitt eller samband som uppgiften behöver. För flera dokument bevarar du deras identiteter och begär en jämförelse med en källhänvisning bredvid varje slutsats.\n\nFör visuellt material kombinerar du bilden med en definierad fråga och bevarar de etiketter, enheter och områden som behövs för svaret. För ett diagram kan du begära en jämförelse mellan namngivna serier; för en schematisk bild kan du fråga vilken koppling som stöder ett angivet krav. En läsbar dokumentbild och ett OCR-förberett dokument är olika förberedelser av indata, även när båda tjänar samma mål att besvara frågor.\n\nRedigering, prefix och arbetsflöden\n\nModellsidan listar förutsagda utdata, svarsprefix, batchbearbetning och agentsamtal. Förutsagda utdata använder känt innehåll när det mesta av ett dokument eller en kodfil ska bevaras medan en begränsad del ändras. Tillhandahåll befintligt innehåll, ange ändringen och identifiera materialet som ska bevaras. Detta skiljer sig från att be modellen skapa ett helt nytt dokument.\n\nEtt svarsprefix anger en känd början för assistentens genererade text, som sedan fortsätter därifrån. Batchbearbetning ändrar hur uppgifter skickas in, medan ett agent-/samtalsgränssnitt hanterar ett sammanhängande arbetsflöde. De listade inbyggda verktygen hör till det gränssnittet hos tillverkaren; de tillför inte en annan innehållsmodalitet till den underliggande modellen och utför inte en åtgärd utan den anslutna miljön.\n\nKodning och domänanpassning\n\nFör en programmeringsbegäran tillhandahåller du kravet, den berörda funktionen, relevanta deklarationer och förväntade indata och utdata. Begär den föreslagna ändringen, dess antaganden och exempel som skiljer det avsedda beteendet från andra beteenden. En felsökningsfråga kan innehålla underlaget för felet och fråga vilken väg genom källkoden som förklarar det. Åtkomst till kodarkivet, kodkörning och tillämpning av ändringen kommer från de omgivande utvecklingsverktygen.\n\nDet ursprungliga tillkännagivandet beskriver anpassad efterträning och finjustering för domänspecifika företagskontexter och kunskapsbaser. Det är en separat anpassningsprocess, inte ett påstående om att standardmodellen redan känner till en viss organisations dokument. För ett källbaserat svar tillhandahåller du relevanta dokument och terminologi direkt med uppgiften och definierar svarsreglerna.\n\nUtgåvans och resultatets gränser\n\nDen här posten bevarar Medium 3:s identitet 2505 och kontext på 128k token. Arkitekturens parameterantal och de konfigurerbara hybridkontrollerna för resonemang som senare dokumenterats för Medium 3.5 ingår inte i den här utgåvans angivna specifikation. Den specifika modellsidan publicerar inget parameterantal eller separat strikt maximal svarslängd som kan lånas från en senare utgåva.\n\nFörbered det avsedda resultatet före begäran: en förklaring, strukturerad extraktion, ett reviderat avsnitt eller föreslagen kod. Håll text- och bildunderlaget, källidentiteterna och eventuella resultat från anslutna verktyg tydliga så att svaret kan granskas och användas i nästa applikationssteg.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.mistralai/mistral-medium-3Mistral Medium 3 är en multimodal modell för professionella text-, bild- och koduppgifter. Kontexten på 128k token enligt tillverkaren och dokumenterade funktioner för strukturerade utdata, funktionsanrop, dokumentfrågor och förutsägbara ändringar stöder källbaserade förklaringar och applikationsflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Medium 3 är Mistral AI:s multimodala modell för professionellt arbete med text, bildförståelse och kod. Den ursprungliga utgåvan framhåller kodning och STEM-uppgifter tillsammans med anpassning till företagskunskap och arbetsflöden. Den tar emot text och visuellt material och producerar text, inklusive en dokumentförklaring, en strukturerad post eller en föreslagen implementation. Tillverkarens fasta identifierare för utgåvan är mistral-medium-2505.
Kontext och professionellt källmaterial
Modellsidan anger ett kontextfönster på 128k token. Använd kontexten för att behålla de källavsnitt, samtal och instruktioner som bestämmer den efterfrågade leveransen. För en dokumentjämförelse identifierar du vilken källa som är det aktuella kravet, vilken som är den föreslagna revisionen och vilken fråga som ska lösas. Begär det stödjande dokumentet och avsnittet bredvid varje slutsats.
En praktisk förklaringsuppgift kan innehålla en rutin och en användarfråga och sedan efterfråga den relevanta åtgärden och villkoret som gör den tillämplig. En teknisk analys kan innehålla källdata, definitioner och jämförelsekriteriet. Målet är ett resultat knutet till det tillhandahållna materialet snarare än en allmän beskrivning av ämnet.
Strukturerade utdata och funktioner
Sidan listar strukturerade utdata och funktionsanrop. För extraktion definierar du fältnamn, typer och representation av information som saknas i källan. En användbar post kan skilja identifierare, källutsaga, tolkning och obesvarad fråga åt. Mistrals gemensamma vägledning skiljer JSON-läge från ett anpassat schema och kräver en uttrycklig begäran om önskat JSON-format.
Funktionsanrop kopplar modellens tolkning till operationer som applikationen beskriver. Modellen väljer en funktion och förbereder argument, applikationen kör funktionen och resultatet blir kontext för nästa svar. En uppslagning kan ge ett saknat referensvärde; en beräkning kan ge ett resultat som förklaringen behöver. Håll resultatet kopplat till operationen som skapade det, i stället för att behandla det föreslagna anropet som en utförd åtgärd.
Dokument- och bildfrågor
Frågor om dokument listas också för den här utgåvan. Tillverkarens dokumenterade arbetsflöde förbereder ett dokuments text, struktur och formatering med OCR före språkmodellsanalysen. Fråga om det specifika krav, avsnitt eller samband som uppgiften behöver. För flera dokument bevarar du deras identiteter och begär en jämförelse med en källhänvisning bredvid varje slutsats.
För visuellt material kombinerar du bilden med en definierad fråga och bevarar de etiketter, enheter och områden som behövs för svaret. För ett diagram kan du begära en jämförelse mellan namngivna serier; för en schematisk bild kan du fråga vilken koppling som stöder ett angivet krav. En läsbar dokumentbild och ett OCR-förberett dokument är olika förberedelser av indata, även när båda tjänar samma mål att besvara frågor.
Redigering, prefix och arbetsflöden
Modellsidan listar förutsagda utdata, svarsprefix, batchbearbetning och agentsamtal. Förutsagda utdata använder känt innehåll när det mesta av ett dokument eller en kodfil ska bevaras medan en begränsad del ändras. Tillhandahåll befintligt innehåll, ange ändringen och identifiera materialet som ska bevaras. Detta skiljer sig från att be modellen skapa ett helt nytt dokument.
Ett svarsprefix anger en känd början för assistentens genererade text, som sedan fortsätter därifrån. Batchbearbetning ändrar hur uppgifter skickas in, medan ett agent-/samtalsgränssnitt hanterar ett sammanhängande arbetsflöde. De listade inbyggda verktygen hör till det gränssnittet hos tillverkaren; de tillför inte en annan innehållsmodalitet till den underliggande modellen och utför inte en åtgärd utan den anslutna miljön.
Kodning och domänanpassning
För en programmeringsbegäran tillhandahåller du kravet, den berörda funktionen, relevanta deklarationer och förväntade indata och utdata. Begär den föreslagna ändringen, dess antaganden och exempel som skiljer det avsedda beteendet från andra beteenden. En felsökningsfråga kan innehålla underlaget för felet och fråga vilken väg genom källkoden som förklarar det. Åtkomst till kodarkivet, kodkörning och tillämpning av ändringen kommer från de omgivande utvecklingsverktygen.
Det ursprungliga tillkännagivandet beskriver anpassad efterträning och finjustering för domänspecifika företagskontexter och kunskapsbaser. Det är en separat anpassningsprocess, inte ett påstående om att standardmodellen redan känner till en viss organisations dokument. För ett källbaserat svar tillhandahåller du relevanta dokument och terminologi direkt med uppgiften och definierar svarsreglerna.
Utgåvans och resultatets gränser
Den här posten bevarar Medium 3:s identitet 2505 och kontext på 128k token. Arkitekturens parameterantal och de konfigurerbara hybridkontrollerna för resonemang som senare dokumenterats för Medium 3.5 ingår inte i den här utgåvans angivna specifikation. Den specifika modellsidan publicerar inget parameterantal eller separat strikt maximal svarslängd som kan lånas från en senare utgåva.
Förbered det avsedda resultatet före begäran: en förklaring, strukturerad extraktion, ett reviderat avsnitt eller föreslagen kod. Håll text- och bildunderlaget, källidentiteterna och eventuella resultat från anslutna verktyg tydliga så att svaret kan granskas och användas i nästa applikationssteg.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-medium-3 | 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", "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',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',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
Använd metodsökvägarna som visas ovan.
mistralai/mistral-medium-3Mistral Medium 3 är en multimodal modell för professionella text-, bild- och koduppgifter. Kontexten på 128k token enligt tillverkaren och dokumenterade funktioner för strukturerade utdata, funktionsanrop, dokumentfrågor och förutsägbara ändringar stöder källbaserade förklaringar och applikationsflöden.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Mistral Medium 3 är Mistral AI:s multimodala modell för professionellt arbete med text, bildförståelse och kod. Den ursprungliga utgåvan framhåller kodning och STEM-uppgifter tillsammans med anpassning till företagskunskap och arbetsflöden. Den tar emot text och visuellt material och producerar text, inklusive en dokumentförklaring, en strukturerad post eller en föreslagen implementation. Tillverkarens fasta identifierare för utgåvan är mistral-medium-2505.
Kontext och professionellt källmaterial
Modellsidan anger ett kontextfönster på 128k token. Använd kontexten för att behålla de källavsnitt, samtal och instruktioner som bestämmer den efterfrågade leveransen. För en dokumentjämförelse identifierar du vilken källa som är det aktuella kravet, vilken som är den föreslagna revisionen och vilken fråga som ska lösas. Begär det stödjande dokumentet och avsnittet bredvid varje slutsats.
En praktisk förklaringsuppgift kan innehålla en rutin och en användarfråga och sedan efterfråga den relevanta åtgärden och villkoret som gör den tillämplig. En teknisk analys kan innehålla källdata, definitioner och jämförelsekriteriet. Målet är ett resultat knutet till det tillhandahållna materialet snarare än en allmän beskrivning av ämnet.
Strukturerade utdata och funktioner
Sidan listar strukturerade utdata och funktionsanrop. För extraktion definierar du fältnamn, typer och representation av information som saknas i källan. En användbar post kan skilja identifierare, källutsaga, tolkning och obesvarad fråga åt. Mistrals gemensamma vägledning skiljer JSON-läge från ett anpassat schema och kräver en uttrycklig begäran om önskat JSON-format.
Funktionsanrop kopplar modellens tolkning till operationer som applikationen beskriver. Modellen väljer en funktion och förbereder argument, applikationen kör funktionen och resultatet blir kontext för nästa svar. En uppslagning kan ge ett saknat referensvärde; en beräkning kan ge ett resultat som förklaringen behöver. Håll resultatet kopplat till operationen som skapade det, i stället för att behandla det föreslagna anropet som en utförd åtgärd.
Dokument- och bildfrågor
Frågor om dokument listas också för den här utgåvan. Tillverkarens dokumenterade arbetsflöde förbereder ett dokuments text, struktur och formatering med OCR före språkmodellsanalysen. Fråga om det specifika krav, avsnitt eller samband som uppgiften behöver. För flera dokument bevarar du deras identiteter och begär en jämförelse med en källhänvisning bredvid varje slutsats.
För visuellt material kombinerar du bilden med en definierad fråga och bevarar de etiketter, enheter och områden som behövs för svaret. För ett diagram kan du begära en jämförelse mellan namngivna serier; för en schematisk bild kan du fråga vilken koppling som stöder ett angivet krav. En läsbar dokumentbild och ett OCR-förberett dokument är olika förberedelser av indata, även när båda tjänar samma mål att besvara frågor.
Redigering, prefix och arbetsflöden
Modellsidan listar förutsagda utdata, svarsprefix, batchbearbetning och agentsamtal. Förutsagda utdata använder känt innehåll när det mesta av ett dokument eller en kodfil ska bevaras medan en begränsad del ändras. Tillhandahåll befintligt innehåll, ange ändringen och identifiera materialet som ska bevaras. Detta skiljer sig från att be modellen skapa ett helt nytt dokument.
Ett svarsprefix anger en känd början för assistentens genererade text, som sedan fortsätter därifrån. Batchbearbetning ändrar hur uppgifter skickas in, medan ett agent-/samtalsgränssnitt hanterar ett sammanhängande arbetsflöde. De listade inbyggda verktygen hör till det gränssnittet hos tillverkaren; de tillför inte en annan innehållsmodalitet till den underliggande modellen och utför inte en åtgärd utan den anslutna miljön.
Kodning och domänanpassning
För en programmeringsbegäran tillhandahåller du kravet, den berörda funktionen, relevanta deklarationer och förväntade indata och utdata. Begär den föreslagna ändringen, dess antaganden och exempel som skiljer det avsedda beteendet från andra beteenden. En felsökningsfråga kan innehålla underlaget för felet och fråga vilken väg genom källkoden som förklarar det. Åtkomst till kodarkivet, kodkörning och tillämpning av ändringen kommer från de omgivande utvecklingsverktygen.
Det ursprungliga tillkännagivandet beskriver anpassad efterträning och finjustering för domänspecifika företagskontexter och kunskapsbaser. Det är en separat anpassningsprocess, inte ett påstående om att standardmodellen redan känner till en viss organisations dokument. För ett källbaserat svar tillhandahåller du relevanta dokument och terminologi direkt med uppgiften och definierar svarsreglerna.
Utgåvans och resultatets gränser
Den här posten bevarar Medium 3:s identitet 2505 och kontext på 128k token. Arkitekturens parameterantal och de konfigurerbara hybridkontrollerna för resonemang som senare dokumenterats för Medium 3.5 ingår inte i den här utgåvans angivna specifikation. Den specifika modellsidan publicerar inget parameterantal eller separat strikt maximal svarslängd som kan lånas från en senare utgåva.
Förbered det avsedda resultatet före begäran: en förklaring, strukturerad extraktion, ett reviderat avsnitt eller föreslagen kod. Håll text- och bildunderlaget, källidentiteterna och eventuella resultat från anslutna verktyg tydliga så att svaret kan granskas och användas i nästa applikationssteg.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/mistral-medium-3 | 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 $0.00008 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/mistral-medium-3",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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', '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', '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
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
Apply a procedure to a concrete case\n\nUse this procedure to answer the employee: 'Requests below 500 credits need team-lead approval. Requests of 500 or more need finance approval. Purchases must wait for approval.' Employee: 'My equipment request is exactly 500 credits; can my team lead approve it and can I order today?' Give the applicable rule and missing information.A short procedural answer citing the threshold and approval-before-purchase requirement.Exactly 500 falls under finance approval, and ordering today depends on approval actually having been received.