Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Oversigt over Mistral AI Studio

Lektion 1 af 14 Opdateret 3. november 2026 Avanceret
På denne side
  1. Tre implementeringsstrategier
  2. Mistral AI Studio: Indgangspunktet
  3. De tre implementeringsmuligheder
  4. Serverless: Hurtig start
  5. Dedicated Serverless: Isolering til enterprise
  6. Self-Hosted: Total kontrol
  7. Alternativer til Studio: Cloud-tjenester fra tredjepart
  8. Vigtige pointer

Opdateret 2. november 2026 — Modeller. Mistral Large 3 (mistral-large-2512) og Mistral Medium 3.5 blev udfaset den 31. oktober 2026 og vil blive trukket tilbage den 30. april 2027. Deres udpegede efterfølger, Mistral Large 4 (mistral-large-4), har været tilgængelig i offentlig forhåndsvisning siden den 6. oktober. Eksemplerne i dette kursus bruger aliaset mistral-large-latest, som i øjeblikket peger på Mistral Large 3 i henhold til den officielle specifikation (verificeret 3. november 2026). Tilsvarende peger mistral-medium-latest på Mistral Medium 3.5. Disse aliaser forbliver gyldige indtil den 30. april 2027. Til nye projekter bør du teste mistral-large-4, som er den udpegede efterfølger.

Tre implementeringsstrategier

At implementere en Mistral-model i produktion handler om mere end blot at skaffe en API-nøgle. Den underliggende infrastruktur varierer drastisk afhængigt af, om du prototyper en intern assistent i løbet af en weekend eller industrialiserer dokumentbehandling under strenge krav til datasuverænitet. Af denne grund tilbyder Mistral AI tre forskellige tilgange. Dit valg afhænger af dine krav til sikkerhed, ydeevne og kontrol over infrastrukturen. Denne første lektion giver et overblik på højt plan, før vi dykker ned i detaljerne for hver mulighed.

Mistral AI Studio: Indgangspunktet

AI Studio er Mistrals centraliserede platform. Det er her, du får adgang til modeller, administrerer API-nøgler, konfigurerer organisationer og overvåger forbruget. Det er også her, du aktiverer fakturering og vælger din implementeringstilstand. I praksis opretter et team, der opdager Mistral, en konto her, aktiverer fakturering, genererer en nøgle og foretager deres første API-kald med det samme uden nogensinde at skulle klargøre en eneste maskine.

De funktioner, som Studio eksponerer, dækker de fleste anvendelsestilfælde for applikationer. Chat Completions håndterer samtalebaseret tekstgenerering, som er byggestenen for enhver assistent eller sammenfatningsmotor. Embeddings producerer vektorrepræsentationer til semantisk søgning: det er dette, der gør det muligt for en intern dokumentationsmotor at finde en note om “refusionsprocedure”, når en medarbejder skriver “hvordan får jeg refusion”. Function Calling giver modellen mulighed for at kalde eksterne funktioner, for eksempel for at spørge din faktiske lagerdatabase i stedet for at hallucinere tilgængelighed. JSON Mode garanterer strukturerede JSON-svar, hvilket bliver afgørende, når outputtet fodrer et andet program frem for en menneskelig læser. Endelig afrundes udbuddet af to kontrolfunktioner: Guardrailing, som håndterer indholdsmoderation og filtrering, og Fine-tuning, som tilpasser modeller til dine data, når din branches ordforråd eller tone ikke kan opnås alene gennem prompting.

De tre implementeringsmuligheder

Før vi undersøger hver mulighed i detaljer, opsummerer denne tabel, hvad der virkelig adskiller dem: hvem der driver infrastrukturen, hvor dataene befinder sig, hvilket netværk de traverserer, og hvor lang tid det tager at komme i gang.

KriteriumServerlessDedicated ServerlessSelf-Hosted
InfrastrukturAdministreret af MistralAdministreret af MistralAdministreret af kunden
DataDelt multi-tenantVirtuelt isoleretHostet af kunden
NetværkOffentligt internetPrivat subnetHostet af kunden
BeregningDeltDelt (dedikeret GPU tilgængelig)Hostet af kunden
AnvendelsestilfældePrototyping, SMV’erProduktion, enterpriseSuverænitet, on-premise
Tid til startMinutterTimerDage/uger

Serverless: Hurtig start

Muligheden Serverless er den enkleste. Du opretter en konto på AI Studio, aktiverer fakturering og får en API-nøgle inden for få minutter. Mistral administrerer fuldt ud infrastrukturen, hvor beregningsressourcerne deles mellem brugerne. Den tilsvarende kode fylder fem linjer, og det er netop pointen: intet distraherer dig fra det produkt, du forsøger at bygge.

from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[{"role": "user", "content": "Hello, how do I deploy a model?"}]
)
print(response.choices[0].message.content)

Denne tilgang er perfekt til prototyping, applikationer med lavt volumen eller teams, der ønsker at evaluere modellerne, før de forpligter sig til dedikeret infrastruktur. Sørg dog for at gøre det til en vane fra starten aldrig at efterlade nøglen i klar tekst i filen. Vi vil se i næste lektion, hvordan du flytter den ud af koden.

Dedicated Serverless: Isolering til enterprise

Muligheden Dedicated Serverless tilbyder virtuel dataisolering og et privat subnet. Mistral administrerer stadig infrastrukturen, men dine anmodninger traverserer ikke længere det offentlige internet, og du kan anmode om dedikerede GPU’er for at garantere konsistent ydeevne. Forestil dig et mutualistisk forsikringsselskab, der analyserer medlemskorrespondance: det ønsker ikke at drive et GPU-cluster, men dets sundhedsdata må ikke rejse over en offentlig rute. Denne mulighed er skræddersyet præcis til denne type situation, hvor datafølsomheden er reel, men virksomheden ikke ønsker at blive en infrastrukturudbyder.

Self-Hosted: Total kontrol

Muligheden Self-Hosted lægger hele infrastrukturen i dine hænder. Mistral levererer modelvægtene – åbne vægte, mest under Apache 2.0-licensen – og du styrer implementeringen ved hjælp af inferensmotorer som vLLM eller TensorRT-LLM.

# Example: serving Mistral with vLLM
vllm serve mistralai/Mistral-Nemo-Instruct-2407 \
    --tokenizer_mode mistral \
    --config_format mistral \
    --load_format mistral

Dette er den mest krævende tilgang, da den gør dig ansvarlig for GPU’er, opdateringer og tilgængelighed. Til gengæld giver den dig total kontrol over data, netværk og ydeevne. Vi vender tilbage til dette i detaljer i afsnittet om Self-Hosting, i lektion 10 til 13.

Alternativer til Studio: Cloud-tjenester fra tredjepart

AI Studio er ikke det eneste indgangspunkt. Hvis din virksomhed allerede har konsolideret fakturering, adgang og overholdelse af regler hos en cloud-udbyder, er det ofte hurtigere at forbruge Mistral der end at åbne en yderligere kontrakt. Seks udbydere distribuerer modellerne: Microsofts Azure AI, som eksponerer dem som Model as a Service; Google Cloud Vertex AI, Googles samlede ML-platform; Amazon Bedrock, AWS’ administrerede tjeneste; Snowflake Cortex, som integrerer AI direkte i Snowflake; IBM watsonx.ai, IBMs enterprise AI-platform; og Outscale, en europæisk cloud-udbyder.

Vi vil uddybe disse cloud-muligheder i lektion 4 til 9. Før du går videre, bør du mappe dit eget projekt op imod tabellen ovenfor: svaret på „hvem bør drive GPU’erne?” eliminerer normalt to af de tre kolonner.

Vigtige pointer

  • AI Studio er det centrale hub til administration af dine Mistral-modeller, API-nøgler og organisationer
  • Tre implementeringsniveauer: Serverless (hurtig), Dedicated (isoleret), Self-Hosted (total kontrol)
  • Dit valg afhænger af dine begrænsninger: budget, datasikkerhed, latens og volumen
  • Cloud-tjenester fra tredjepart tilbyder et alternativ for dem, der allerede er integreret i et eksisterende økosystem