Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Migration fra Magistral

Lektion 8 af 12 Opdateret 2. november 2026 Udvikler
På denne side
  1. Hvor står din kode?
  2. Oversigtstabellen
  3. Hvad ændrer sig i koden
  4. Validering af migrationen
  5. At få mest muligt ud af migrationen
  6. Vigtige pointer

Lektionen er omskrevet den 2. november 2026. Denne lektion beskrev oprindeligt Magistrals “altid-aktive” ræsonnement. Da alle Magistral-modeller blev udfaset den 31. juli 2026, dækker den nu migration til reasoning_effort. Kilder: Models — deprecated and removed models · Reasoning · Native reasoning (deprecated).

Hvor står din kode?

De seneste versioner af Magistral, Small 1.2 og Medium 1.2 (-2509), blev udfaset i foråret 2026 og trukket tilbage den 31. juli 2026; version 1.0 og 1.1 var allerede blevet trukket tilbage den 30. november 2025. Al kode, der stadig kalder på magistral-small-latest, magistral-medium-latest eller en datostemplet identifikator fra den familie, retter sig mod en model, der ikke længere eksisterer. Migration er ikke længere noget, du skal planlægge – det er noget, du skal gøre nu.

Oversigtstabellen

Du brugteMistral’s udpegede erstatningHvad vi anbefaler i dag
Magistral Small (1.0, 1.1, 1.2)Mistral Small 4mistral-small-2603 med reasoning_effort="high"
Magistral Medium (1.0, 1.1, 1.2)Mistral Medium 3.5Small 4 hvis kvaliteten er tilstrækkelig, ellers mistral-large-4-0 med reasoning_effort="high"

Hvorfor ikke følge Mistral’s udpegede erstatning for Magistral Medium til punkt og prikke? Fordi Mistral Medium 3.5 selv er udfaset pr. 31. oktober 2026, med tilbagetrækning planlagt til 30. april 2027, og Large 4 som dens efterfølger. At migrere til den betyder at binde sig til en anden migration seks måneder senere. Large 4 er i Public Preview: hvis det modenhedsniveau ikke passer til dit produktionsmiljø, forbliver Medium 3.5 et muligt mellemtrin, forudsat at du planlægger det næste skift nu.

Hvad ændrer sig i koden

Magistral ræsonnerede altid; nuværende modeller ræsonnerer kun, når du beder dem om det. Den naturlige ækvivalent til “altid aktiveret” er derfor reasoning_effort="high".

# Før: Magistral (udfaset)
response = client.chat.complete(
    model="magistral-medium-latest",
    messages=[
        {"role": "system", "content": "You are a rigorous analyst."},
        {"role": "user", "content": question},
    ],
    prompt_mode=None,   # deaktiverede Magistrals standard system-prompt
)

# Efter: Mistral Large 4 med eksplicit ræsonnement
response = client.chat.complete(
    model="mistral-large-4-0",
    messages=[
        {"role": "system", "content": "You are a rigorous analyst."},
        {"role": "user", "content": question},
    ],
    reasoning_effort="high",
)

Fire punkter skal adresseres undervejs:

  1. Model-identifikatorer: Søg efter magistral i din kode, konfigurationsfiler og miljøvariabler.
  2. prompt_mode: Dokumentationen for ræsonnement nævner det ikke længere; fjern det fra dine kald.
  3. System-prompts: Slet den Magistral-specifikke ræsonnementsskabelon (thinking-fragmentet placeret i system-beskeden) og behold kun instrukserne om metode og format (Lektion 6).
  4. Læsning af svar: Strukturen fra Magistral 25.07 og 25.09 (ThinkChunk derefter TextChunk) matcher nuværende modeller, så din læsekode forbliver gyldig. Tilføj blot håndtering af tilfældet med ren streng, som Small 4 og Medium 3.5 returnerer, når reasoning_effort="none". Hvis din kode stammede fra Magistral 25.06 og ledte efter <think>-tags i teksten, skal du erstatte den med separer-funktionen fra Lektion 3.

Validering af migrationen

Skift ikke blindt. Afspil en stikprøve af dine reelle tilfælde sammen med deres referencesvar, og sammenlign tre nøgletal: kvalitet (nøjagtighed, overholdelse af format), forbrugte tokens (usage.completion_tokens) og latens. Et simpelt script klarer opgaven:

import time

def comparer(client, cas, configs):
    """cas: liste af (spørgsmål, verifier); configs: liste af (model, niveau)."""
    for model, niveau in configs:
        justes = tokens = 0
        debut = time.perf_counter()
        for question, verifier in cas:
            r = client.chat.complete(
                model=model,
                messages=[{"role": "user", "content": question}],
                reasoning_effort=niveau,
            )
            _, reponse = separer(r.choices[0].message.content)
            justes += bool(verifier(reponse))
            tokens += r.usage.completion_tokens
        duree = time.perf_counter() - debut
        print(f"{model} ({niveau}) : {justes}/{len(cas)} korrekt, {tokens} tokens, {duree:.0f} s")

comparer(client, mes_cas, [
    ("mistral-small-2603", "high"),
    ("mistral-large-4-0", "medium"),
    ("mistral-large-4-0", "high"),
])

Funktionen verifier afhænger af dit domæne: sammenligning med en forventet værdi, tilstedeværelse af påkrævede elementer eller JSON-validering. Det er dette, der omdanner et indtryk til en beslutning.

At få mest muligt ud af migrationen

Da du alligevel rører ved hvert modelkald, så brug denne mulighed til at låse datostemplede identifikatorer i produktionen (mistral-small-2603 frem for mistral-small-latest) og til at centralisere valget af model og ræsonnementsniveau i én enkelt konfiguration. Den næste udfasning – og der kommer en – vil så være en rettelse på én linje.

Vigtige pointer

  • Magistral blev trukket tilbage den 31. juli 2026: ethvert tilbageværende kald retter sig mod en utilgængelig model
  • Magistral Small → Small 4; Magistral Medium → Small 4 eller Large 4 snarere end Medium 3.5, som selv er udfaset
  • “Altid aktiveret” oversættes til reasoning_effort="high"
  • Fjern prompt_mode og ræsonnementsskabelonen fra system-prompts
  • Valider på dine reelle tilfælde (kvalitet, tokens, latens), og lås derefter datostemplede identifikatorer