Mistral på Azure AI
På denne side
Opdateret 3. november 2026: TypeScript-eksemplet sendte tidligere
process.env.AZUREAI_API_KEYogprocess.env.AZUREAI_ENDPOINTdirekte tilMistralAzure. Da begge indstillinger er påkrævede, nægtede TypeScript 7 i streng tilstand at kompilere (verificeret med@mistralai/mistralai-azure2.1.0). Miljøvariabler valideres nu, før klienten konstrueres. Kilde:@mistralai/mistralai-azureSDK.
Hvorfor bruge Mistral via Azure?
Dette spørgsmål opstår sjældent af tekniske årsager: den direkte Mistral-API fungerer perfekt. Det opstår af kontraktmæssige og organisatoriske årsager. En virksomhed, der allerede er integreret i Microsoft-økosystemet, forbruger en forhandlet Azure-forpligtelse, har etablerede indkøbsprocesser og har ingen lyst til at åbne en ny leverandørkontrakt for tokens til få tusinde euro.
Brug af Azure AI konsoliderer faktureringen på din eksisterende Azure-kontrakt, sikrer GDPR-overholdelse gennem europæiske regioner, giver native integration med andre Azure-tjenester – Azure Functions, Cosmos DB, Azure ML – og tilbyder Microsoft-enterprisesupport med tilhørende serviceniveauaftaler. Kort sagt: samme model, inden for det styringsperimeter, din it-afdeling allerede har godkendt.
Valg mellem serverless og dedikeret GPU
Azure tilbyder to tilgange, og valget afhænger af regelmæssigheden af din arbejdsmængde. Pay-as-you-go-tilstanden, også kendt som MaaS (Model as a Service), eksponerer en serverless-API: ingen GPU’er der skal klargøres, du betaler kun for forbrugte tokens, og Azure håndterer skaleringen alene. Dette er den anbefalede tilstand for de fleste brugstilfælde, især mens din trafik er uregelmæssig eller uforudsigelig.
Real-time endpoints adresserer det modsatte behov. Du vælger GPU-typen og antallet, infrastrukturen er dedikeret til dig, og fakturering sker pr. beregningstime – uanset om modellen arbejder eller er inaktiv. En intern API, der kontinuerligt rammes af flere tusinde brugere, passer til denne model; en prototype, der tilgås tre gange om dagen, vil spilde mange penge her. Husk reglen: denne tilstand anbefales til forudsigelige arbejdsmængder med højt gennemløb.
Modeller tilgængelige på Azure
Mistrals dokumentation lister følgende modeller på Azure (liste hentet 2. november 2026). Kataloget udvikler sig løbende: konsulter den officielle side for den aktuelle liste.
| Model | Positionering |
|---|---|
| Mistral Medium 3.5 | God balance mellem ydeevne og omkostninger |
| Mistral Large 3 (25.12) | Flagskibsmodel til komplekse opgaver |
| Mistral Small (25.06) | Hurtig og økonomisk |
| Codestral (25.01) | Specialiseret i kodegenerering |
| Ministral 3B (24.10) | Kompakt model til lette opgaver |
| Document AI (OCR 4) | Uddragelse af tekst og struktur i dokumenter |
Hent dine legimitationsoplysninger
Hentning af legitimationsoplysninger sker gennem Azure-grænsefladen og tager få minutter:
- Gå til Microsoft Foundry
- Opret et projekt, eller vælg et eksisterende
- Implementer en Mistral-model fra modelkataloget
- Hent dit endpoint og din API-nøgle fra implementeringssiden
Placer disse to værdier i miljøvariabler, præcis som den direkte Mistral-nøgle. Forskellen ligger i endpointet: hver Azure-implementering har sit eget; der er ingen fælles URL.
export AZUREAI_ENDPOINT="https://your-endpoint.inference.ai.azure.com"
export AZUREAI_API_KEY="your-azure-secret-key"
Kald modellen i Python
Mistral SDK’et leverer en dedikeret Azure-klient, MistralAzure, inkluderet i mistralai-pakken: du sender din implementerings-URL og nøgle til den, og resten af koden er identisk med det, du skriver til den direkte API. Siden SDK-version 2.0 (marts 2026) importeres den fra mistralai.azure.client.
import os
from mistralai.azure.client import MistralAzure
client = MistralAzure(
server_url=os.environ["AZUREAI_ENDPOINT"],
api_key=os.environ["AZUREAI_API_KEY"],
)
response = client.chat.complete(
model="azureai", # Identifikator forventet af Azure-endpoints
messages=[
{"role": "user", "content": "What are the benefits of sovereign cloud in Europe?"}
]
)
print(response.choices[0].message.content)
Det mest forvirrende punkt ligger i parameteren model. Du forventer at skrive mistral-large-latest; i stedet skal du indsætte azureai. Årsagen er enkel: modellen er allerede bestemt af den implementering, du har oprettet på Azure-siden; endpointet peger på den og kun den. At ændre modeller betyder derfor at ændre endpoints, ikke at ændre en streng i koden.
Streaming ændrer sig dog ikke en tøddel i forhold til den direkte API – samme metode, samme .data-niveau for at nå chunk-indholdet. Det er hele pointen med et unificeret SDK: koden, du skrev i tidligere lektioner, fungerer som den er.
stream = client.chat.stream(
model="azureai",
messages=[
{"role": "user", "content": "Describe the architecture of a data lake on Azure."}
]
)
for chunk in stream:
content = chunk.data.choices[0].delta.content
if content:
print(content, end="", flush=True)
Det samme kald i TypeScript
På TypeScript-siden publiceres Azure-klienten i en separat pakke, @mistralai/mistralai-azure, installeret med npm add @mistralai/mistralai-azure. Dens indstillinger følger JavaScript-casing: apiKey og endpoint, begge påkrævede. Derfor valideringen af miljøvariabler, uden hvilken streng tilstand nægter at kompilere, da en miljøvariabel kan mangle:
import { MistralAzure } from '@mistralai/mistralai-azure';
const apiKey = process.env.AZUREAI_API_KEY;
const endpoint = process.env.AZUREAI_ENDPOINT;
if (!apiKey || !endpoint) {
throw new Error('Set AZUREAI_API_KEY and AZUREAI_ENDPOINT.');
}
const client = new MistralAzure({ apiKey, endpoint });
const response = await client.chat.complete({
model: 'azureai',
messages: [
{ role: 'user', content: 'How to secure an Azure Key Vault?' },
],
});
console.log(response.choices[0]?.message?.content);
Kilder: Mistral på Azure (Mistral-dokumentation) · TypeScript SDK
@mistralai/mistralai-azure
Udnyt resten af platformen
Når kaldet fungerer, skal du udnytte de tjenester, du allerede betaler for. Gem dine nøgler i Azure Key Vault i stedet for i miljøvariabler: rotation bliver en administrativ operation, ikke en genimplementering. Aktiver diagnostiske logs på dit endpoint for at overvåge ventetid og fejl; det er den eneste måde at skelne mellem modellens langsomhed og kodens langsomhed. Vælg en europæisk region, West Europe eller France Central, for at forblive GDPR-kompatibel – dette er ofte selve årsagen til at vælge Azure. Konfigurer endelig Azure Monitor-alarmer for tokenforbrug: en dårligt lukket sløjfe i et natligt job viser sig på regningen meget senere end på en alarm.
Vigtige pointer
- Azure AI tilbyder Mistral i tilstandene serverless (MaaS) eller dedikeret GPU
- Modellen identificeres ved
"azureai"i API-kald - Klienten
MistralAzuremodtager endpointet viaserver_url(Python,mistralai.azure.client) ellerendpoint(TypeScript,@mistralai/mistralai-azure) - Integration med Azure-økosystemet (Key Vault, Monitor, Functions) er en stor fordel for virksomheder
- Vælg en europæisk region for at forblive GDPR-kompatibel