Премини към основното съдържание
Български— Изберете език
Меню

Въведение в Vision чрез Mistral API

Урок 1 от 12 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Какво представлява Vision API?
  2. Защо да използвате Mistral Vision?
  3. Налични Vision модели
  4. Първото Ви извикване на Vision
  5. Структура на мултимодално съобщение
  6. Какво ще научите в този курс
  7. Ключови изводи

Актуализация от 2 ноември 2026 г. — модели. Mistral Large 3 (mistral-large-2512) и Mistral Medium 3.5 са обявени за остарели от 31 октомври 2026 г. и ще бъдат изтеглени от употреба на 30 април 2027 г. Тяхният определен наследник, Mistral Large 4 (mistral-large-4), е в публичен преглед от 6 октомври. Примерите в този курс използват псевдонима mistral-large-latest, който все още сочи към Mistral Large 3 според официалната му спецификация (проверено на 3 ноември 2026 г.). По подобен начин, mistral-medium-latest сочи към Mistral Medium 3.5. Тези псевдоними ще останат валидни до 30 април 2027 г. За нови проекти тествайте mistral-large-4, техния определен наследник.

Какво представлява Vision API?

Езиковите модели вече не се ограничават само до текст. От 2024 г. насам Mistral AI предлага мултимодални модели, способни да анализират едновременно текст и изображения. Тази възможност, наречена Vision, променя същността на работата, която можете да автоматизирате: снимана фактура, екранна снимка на табло за управление или техническа диаграма престават да бъдат непрозрачни прикачени файлове, които човек трябва да отвори. Вместо това те се превръщат във входни данни, които Вашият код заявява, точно както би заявил низ.

Обхватът е широк: анализ на документи, разчитане на графики и извличане на визуални данни. Счетоводна фирма, получаваща триста сканирани разписки месечно, може да поиска от модела да прочете сумите; продуктов екип може автоматично да описва екранни снимки, изпратени от потребители. В този курс ще се научите как да използвате Mistral Vision API, за да интегрирате този тип анализ във Вашите Python приложения. Всеки урок съчетава обяснение на механизма с готов за употреба код.

Защо да използвате Mistral Vision?

Първият аргумент е липсата на технически срив. Вие извиквате същия крайна точка chat.complete(), използван за текст: няма отделно API за учене, няма различен клиент за инстанциране. Просто добавяте изображения към съобщението. Проект, вече изграден върху генериране на текст, поема визията без необходимост от прекрояване.

Вторият аргумент е изборът на модел. От най-мощния, Mistral Large 3, до най-лекия в семейството Ministral 3, Вие коригирате компромиса между качество и цена според Вашия случай: тежък модел за детайлен анализ на финансова графика, лек модел за сортиране на десет хиляди снимки по категории. Правите тази корекция с един ред код, както ще видите в Урок 3.

Две допълнителни стратегически съображения са приложими. Форматът на съобщението следва стандарта, подобен на OpenAI, което улеснява миграцията от друг доставчик: кодът за изграждане на съобщения остава практически непроменен. И тъй като Mistral е френска компания, Вашите данни могат да останат в Европа, което често е решаващ фактор, когато изображенията съдържат лична или договорна информация.

Налични Vision модели

Пет модела на Mistral поддържат визия. Всеки от тях се идентифицира чрез API ID, което предавате на параметъра model.

МоделAPI IDОсновен случай на употреба
Mistral Large 3mistral-large-2512Сложен анализ, най-високо качество
Mistral Medium 3.5mistral-medium-latestДобър баланс между качество и скорост
Mistral Small 4mistral-small-latestЕжедневна употреба, бърз и икономичен
Ministral 3 14Bministral-14b-2512Ръбови изчисления, ниска латентност
Ministral 3 8Bministral-8b-2512Вградени системи, ограничени ресурси

Всички тези модели приемат изображения като вход чрез Chat Completions API. С други думи, кодът, който предстои да напишете, ще работи идентично и с петте модела.

В тази таблица съществуват две форми на идентификатори и изборът между тях е архитектурно решение. Псевдонимите -latest автоматично следват текущата версия на модела: Вашите извиквания се възползват от подобрения без да докосвате кода, но с цената на поведение, което може да се промени под краката Ви. Идентификаторите с дата, като mistral-large-2512, фиксират конкретна версия: поведението остава стабилно, но трябва да следите за остаряване. Използвайте псевдонима за прототип; за производствен конвейер с валидирани изходи, фиксирайте версията и планирайте надгражданията си.

Първото Ви извикване на Vision

Ето минимален пример за изпращане на изображение до Mistral и получаване на описание:

from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Describe this image in detail."},
                {
                    "type": "image_url",
                    "image_url": "https://example.com/photo.jpg"
                }
            ]
        }
    ]
)

print(response.choices[0].message.content)

Един детайл отличава това извикване от стандартно текстово такова и той заслужава внимание: полето content на потребителското съобщение е масив (списък), а не обикновен низ. Тази структура е това, което позволява смесването на текст и изображения в един единствен ход.

Структура на мултимодално съобщение

Стандартно съобщение само с текст се побира на един ред:

{"role": "user", "content": "Hello, how are you?"}

Мултимодалното съобщение замества този низ със списък от типизирани елементи, всеки от които е обявен чрез своето поле type:

{
    "role": "user",
    "content": [
        {"type": "text", "text": "Your question here"},
        {"type": "image_url", "image_url": "URL or data URI of the image"}
    ]
}

Нищо не Ви принуждава да се ограничавате до един елемент от всеки вид. Можете да включите множество елементи text и image_url в едно единствено съобщение. Това е точно това, което Ви позволява, например, да представите референтно изображение и след това изображение за сравнение, въвеждайки всяко от тях с изречение. Ще разгледаме това подробно в следващите уроци.

Какво ще научите в този курс

Този курс от 12 урока прогресира от механизма към приложението. Уроци 1 до 3 обхващат мултимодалните модели: какво всъщност се случва, когато едно изображение влезе в модела, и как да изберете този, който отговаря на Вашето натоварване. Уроци 4 до 6 обхващат изпращането на изображения: чрез URL, в Base64 и след това множество изображения в едно съобщение. Уроци 7 до 10 преминават през конкретни случаи на употреба – анализ на графики, OCR, структурирано извличане и сравнение на изображения. Уроци 11 и 12 завършват темата с ограничения, оптимизация на разходите и възможни разширения.

Ключови изводи

  • Mistral Vision API използва същата крайна точка като текстовия чат
  • Потребителското съобщение се превръща в масив, съдържащ елементи text и image_url
  • Пет модела поддържат визия, от най-мощния до най-лекия
  • Mistral е подходящ избор за проекти, изискващи европейски суверенитет над данните