قیمت و API مدل Mistral Large در ایران
mistralai/mistral-large
شارژ بر اساس مصرف واقعی همان درخواست. قیمت‌ها با تغییر شرایط بازار به‌روز می‌شوند. ورودی کش‌شده: ۶۹٬۲۴۴ تومان به‌ازای هر ۱M توکن.قیمت‌ها و شارژ
کد آمادهٔ Mistral Large: فراخوانی ابزار (tool calling)
نمونه بر اساس قابلیت‌های همین مدل انتخاب شده و با کلید خودت بدون تغییر دیگری اجرا می‌شود.
from openai import OpenAI
import json
client = OpenAI(base_url="https://api.uttapen.ir/v1", api_key="sk-up-…")
tools = [{
"type": "function",
"function": {
"name": "check_stock",
"description": "موجودی یک محصول را برمی‌گرداند",
"parameters": {
"type": "object",
"properties": {"sku": {"type": "string"}},
"required": ["sku"],
},
},
}]
messages = [{"role": "user", "content": "از کفش نایک مدل NK-42 چند تا موجوده"}]
first = client.chat.completions.create(model="mistralai/mistral-large", messages=messages, tools=tools)
call = first.choices[0].message.tool_calls[0]
# you run the function yourself — the model never touches the database
args = json.loads(call.function.arguments)
result = {"sku": args["sku"], "qty": 7}
messages += [first.choices[0].message, {"role": "tool", "tool_call_id": call.id, "content": json.dumps(result)}]
final = client.chat.completions.create(model="mistralai/mistral-large", messages=messages, tools=tools)
print(final.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({ baseURL: "https://api.uttapen.ir/v1", apiKey: "sk-up-…" });
const tools = [{
type: "function",
function: {
name: "check_stock",
description: "موجودی یک محصول را برمی‌گرداند",
parameters: { type: "object", properties: { sku: { type: "string" } }, required: ["sku"] },
},
}];
const messages = [{ role: "user", content: "از کفش نایک مدل NK-42 چند تا موجوده" }];
const first = await client.chat.completions.create({ model: "mistralai/mistral-large", messages, tools });
const call = first.choices[0].message.tool_calls[0];
const args = JSON.parse(call.function.arguments);
const result = { sku: args.sku, qty: 7 };
messages.push(first.choices[0].message, { role: "tool", tool_call_id: call.id, content: JSON.stringify(result) });
const final = await client.chat.completions.create({ model: "mistralai/mistral-large", messages, tools });
console.log(final.choices[0].message.content);curl https://api.uttapen.ir/v1/chat/completions \
-H "Authorization: Bearer sk-up-…" \
-H "Content-Type: application/json" \
-d '{
"model": "mistralai/mistral-large",
"messages": [{"role": "user", "content": "از کفش نایک مدل NK-42 چند تا موجوده"}],
"tools": [{
"type": "function",
"function": {
"name": "check_stock",
"parameters": {"type": "object", "properties": {"sku": {"type": "string"}}, "required": ["sku"]}
}
}]
}'Mistral Large برای چه کاری خوب است؟
Mistral Large یکی از مدل‌های Mistral است و در یوتاپن با شناسهٔ «mistralai/
قابلیت‌هایی که در همین شناسه فعال است: فایل (مثل PDF) را به‌عنوان ورودی می‌پذیرد؛ tool calling دارد، یعنی می‌تواند تابع‌های خودت را با آرگومان درست صدا بزند؛ با response_format خروجی JSON معتبر می‌دهد و مستقیم به کد وصل می‌شود. همهٔ این‌ها با همان پارامترهای استاندارد SDK رسمی OpenAI کار می‌کنند و کد اختصاصی لازم ندارند.
برای برآورد سرانگشتی: هر ۱٬۰۰۰ کلمه رفت‌وبرگشت با این مدل حدود ۳٬۶۰۱ تومان است (۶۹۲٬۴۳۹ تومان ورودی و ۲٬۰۷۷٬۳۱۶ تومان خروجی به‌ازای ۱M توکن). cache ورودی دارد: توکن‌های تکراری متن ورودی با ۶۹٬۲۴۴ تومان / ۱M حساب می‌شوند، که برای پرامپت سیستمی بلند تفاوت بزرگی است. شارژ نهایی همیشه بر اساس مصرف واقعی همان درخواست است، نه برآورد، و درخواستی که ناموفق باشد هزینهای ندارد.
نزدیک‌ترین گزینه با همین قابلیت‌ها از تأمین‌کنندهٔ دیگر Aion-3.0 است: Mistral Large حدود ۹٪ ارزان‌تر از آن تمام می‌شود و حداکثر طول متنش کمتر است. هر دو با همان کلید و همان کد کار می‌کنند، پس عوض‌کردن‌شان فقط تغییر یک رشته است.
برای اینکه عدد قابل تصور شود: با ۱۰۰ هزار تومان اعتبار، حدود ۲۸ درخواست ۱٬۰۰۰ کلمهای روی Mistral Large جا می‌شود، و هر ۱٬۰۰۰ تومان تقریباً ۲۷۸ کلمه رفت‌وبرگشت می‌خرد. اگر پردازشی یک میلیون توکن ورودی و یک میلیون توکن خروجی داشته باشد، کل آن ۲٬۷۶۹٬۷۵۵ تومان می‌شود. پر کردن کامل پنجرهٔ ۱۲۸٬۰۰۰ توکنی این مدل فقط از سمت ورودی ۸۸٬۶۳۲ تومان هزینه دارد، پس تاریخچهٔ گفتگو را بی‌دلیل بلند نگه ندار.
نزدیک‌ترین هم‌خانوادهٔ این مدل «mistralai/
Mistral در کاتالوگ ما ۲۱ مدل دارد؛ ارزان‌ترین‌شان Mistral Nemo با ۲۷ تومان و گران‌ترین Mistral Medium 3.5 با ۴٬۰۵۱ تومان برای هر ۱٬۰۰۰ کلمه. از پارامترهای کم‌تکرار، این مدل presence_penalty را می‌پذیرد — همه از طریق همان بدنهٔ استاندارد درخواست. در عوض include_reasoning، reasoning را که بیشتر مدلها دارند پشتیبانی نمی‌کند، پس اگر کدت به آن‌ها تکیه دارد قبل از جابه‌جایی تست کن. از نظر طول متن نزدیک‌ترین گزینه از تأمین‌کنندهٔ دیگر Nova Micro 1.0 با ۱۲۸٬۰۰۰ توکن است.
بهترین جای استفاده‌اش: چت‌بات محصول و دستیار داخلی، جایی که تعادل هزینه و کیفیت مهم است، ایجنت‌هایی که به API و دیتابیس وصل می‌شوند، استخراج داده با اسکیمای مشخص.
This is Mistral AI's flagship model, Mistral Large 2 (version `mistral-large-2407`). It's a proprietary weights-available model and excels at reasoning, code, JSON, chat, and more. Read the launch announcement [here](https://mistral.ai/news/mistral-large-2407/)....
سه کار واقعی، با قیمت همین مدل
اعداد از همان قیمت‌های بالا حساب شده‌اند و با تغییر قیمت مدل تغییر می‌کنند.
| کار | توکن | هزینه |
|---|---|---|
| یک نوبت گفتگو با تاریخچهٔ متوسط | ۱٬۵۰۰ ورودی + ۴۰۰ خروجی | ۱٬۸۷۰ تومان |
| خلاصه‌کردن سند ده‌صفحه‌ای | ۴٬۰۰۰ ورودی + ۶۰۰ خروجی | ۴٬۰۱۶ تومان |
| دسته‌بندی هزار ردیف کوتاه | ۱۲۰٬۰۰۰ ورودی + ۲۰٬۰۰۰ خروجی | ۱۲۴٬۶۳۹ تومان |
سؤال‌های پرتکرار
- چطور با Mistral Large در ایران کار کنم؟
- در یوتاپن ثبتنام کن، کیف پول را تومانی شارژ کن، کلید API بساز و در SDK رسمی OpenAI فقط base_url را به https:/
/ api.uttapen.ir/ v1 و model را به «mistralai/ mistral-large» تغییر بده. بقیهٔ کدت دستنخورده میماند. - قیمت Mistral Large به تومان چقدر است؟
- هر ۱ میلیون توکن ورودی ۶۹۲٬۴۳۹ تومان و هر ۱ میلیون توکن خروجی ۲٬۰۷۷٬۳۱۶ تومان؛ یک درخواست ۱٬۰۰۰ کلمهای تقریباً ۳٬۶۰۱ تومان. شارژ بر اساس مصرف واقعی همان درخواست است و درخواست ناموفق هزینهای ندارد.
- Mistral Large چند توکن ورودی میگیرد؟
- تا ۱۲۸٬۰۰۰ توکن در هر درخواست؛ برای متن فارسی حدود ۹۶ هزار کلمه. حداکثر طول پاسخ هم ۱۰۲٬۴۰۰ توکن است.
- آیا Mistral Large استریم و tool calling را پشتیبانی میکند؟
- استریم (stream=true) روی همهٔ مدلها فعال است. این مدل tool calling را با همان قالب OpenAI پشتیبانی میکند. خروجی ساختیافته با response_format هم کار میکند.