Úvod do Vision prostřednictvím Mistral API
Na této stránce
Aktualizace 2. listopadu 2026 — modely. Mistral Large 3 (
mistral-large-2512) a Mistral Medium 3.5 jsou od 31. října 2026 zastaralé a budou vyřazeny 30. dubna 2027. Jejich označený nástupce, Mistral Large 4 (mistral-large-4), je ve veřejném náhledu od 6. října. Příklady v tomto kurzu používají aliasmistral-large-latest, který podle své oficiální specifikace (ověřeno 3. listopadu 2026) stále odkazuje na Mistral Large 3. Podobněmistral-medium-latestodkazuje na Mistral Medium 3.5. Tyto aliasy zůstanou platné do 30. dubna 2027. Pro nové projekty otestujtemistral-large-4, jejich označeného nástupce.
Co je Vision API?
Jazykové modely se již neomezují pouze na text. Od roku 2024 nabízí Mistral AI multimodální modely schopné současně analyzovat text i obrázky. Tato schopnost, nazývaná Vision, mění povahu práce, kterou můžete automatizovat: naskenovaná faktura, snímek obrazovky s dashboardem nebo technické schéma přestávají být neprůhlednými přílohami, které musí člověk otevřít. Místo toho se stávají vstupy, které váš kód dotazuje přesně tak, jako by dotazoval řetězec.
Rozsah je široký: analýza dokumentů, čtení grafů a extrakce vizuálních dat. Účetní firma přijímající měsíčně tři sta naskenovaných účtenek může požádat model o přečtení částek; produktový tým může automaticky popisovat snímky obrazovky odeslané uživateli. V tomto kurzu se naučíš využívat Mistral Vision API k integraci tohoto typu analýzy do svých aplikací v Pythonu. Každá lekce kombinuje vysvětlení mechanismu s kódem připraveným k použití.
Proč používat Mistral Vision?
Prvním argumentem je absence technického narušení. Voláš stejný koncový bod chat.complete() používaný pro text: není třeba se učit žádné samostatné API ani instantiovat odlišného klienta. Jednoduše přidáš obrázky do zprávy. Projekt již postavený na generování textu pojmie vision bez nutnosti redesignu.
Druhým argumentem je výběr modelu. Od nejmocnějšího, Mistral Large 3, až po nejlehčí v rodině Ministral 3, upravuješ kompromis mezi kvalitou a náklady podle svého případu: těžký model pro jemnou analýzu finančního grafu, lehký model pro třídění deseti tisíc fotografií podle kategorií. Tuto úpravu provedeš v jediném řádku kódu, jak uvidíš v lekci 3.
Platí ještě dvě strategická hlediska. Formát zprávy následuje standard podobný OpenAI, což usnadňuje migraci od jiného poskytovatele: kód pro sestavování zpráv zůstává prakticky nezměněn. A protože je Mistral francouzská společnost, tvá data mohou zůstat v Evropě, což je často rozhodující faktor, když obrázky obsahují osobní nebo smluvní informace.
Dostupné modely Vision
Pět modelů Mistral podporuje vision. Každý je identifikován ID API, které předáš parametru model.
| Model | ID API | Primární případ použití |
|---|---|---|
| Mistral Large 3 | mistral-large-2512 | Komplexní analýza, nejvyšší kvalita |
| Mistral Medium 3.5 | mistral-medium-latest | Dobrý poměr kvality a rychlosti |
| Mistral Small 4 | mistral-small-latest | Běžné použití, rychlé a úsporné |
| Ministral 3 14B | ministral-14b-2512 | Edge computing, nízká latence |
| Ministral 3 8B | ministral-8b-2512 | Vestavěné systémy, omezené zdroje |
Všechny tyto modely přijímají obrázky jako vstup prostřednictvím Chat Completions API. Jinými slovy, kód, který se chystáš napsat, bude fungovat totožně se všemi pěti.
V této tabulce koexistují dvě formy identifikátorů a výběr mezi nimi je architektonickým rozhodnutím. Aliasy -latest automaticky sledují aktuální verzi modelu: tvá volání těží ze zlepšení bez nutnosti zasahovat do kódu, za cenu chování, které se může pod tvýma nohama vyvíjet. Datované identifikátory jako mistral-large-2512 připínají konkrétní verzi: chování zůstává stabilní, ale musíš sledovat zastarávání. Použij alias pro prototyp; pro produkční pipeline s validovanými výstupy připni verzi a naplánuj si upgrady.
Tvé první volání Vision
Zde je minimální příklad odeslání obrázku do Mistralu a získání popisu:
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)
Jeden detail odlišuje toto volání od standardního textového volání a zaslouží si pozornost: pole content uživatelské zprávy je pole (seznam) namísto jednoduchého řetězce. Právě tato struktura umožňuje míchat v jednom kroku text a obrázky.
Struktura multimodální zprávy
Standardní zpráva obsahující pouze text se vejde na jeden řádek:
{"role": "user", "content": "Hello, how are you?"}
Multimodální zpráva nahrazuje tento řetězec seznamem typovaných prvků, z nichž každý je oznámen svým polem type:
{
"role": "user",
"content": [
{"type": "text", "text": "Your question here"},
{"type": "image_url", "image_url": "URL or data URI of the image"}
]
}
Nic ti nebrání omezit se pouze na jeden prvek každého druhu. Do jedné zprávy můžeš zahrnout více prvků text i image_url. To ti přesně umožňuje například předložit referenční obrázek a poté obrázek k porovnání, přičemž každý uvedeš větou. Podrobně se tím budeme zabývat v následujících lekcích.
Co se v tomto kurzu naučíš
Tento kurz o 12 lekcích postupuje od mechanismu k aplikaci. Lekce 1 až 3 pokrývají multimodální modely: co se skutečně děje, když obrázek vstoupí do modelu, a jak vybrat ten, který odpovídá tvé zátěži. Lekce 4 až 6 se věnují odesílání obrázků, a to prostřednictvím URL, v Base64 a následně více obrázků v jedné zprávě. Lekce 7 až 10 tě provedou konkrétními případy použití – analýzou grafů, OCR, strukturovanou extrakcí a porovnáváním obrázků. Lekce 11 a 12 téma uzavírají diskusí o limitech, optimalizaci nákladů a možných rozšířeních.
Klíčové poznatky
- Mistral Vision API používá stejný koncový bod jako textový chat
- Uživatelská zpráva se stává polem obsahujícím prvky
textaimage_url - Pět modelů podporuje vision, od nejmocnějších po ty nejlehčí
- Mistral je relevantní volbou pro projekty vyžadující evropskou datovou suverenitu