Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Introduktion til Vision via Mistral API

Lektion 1 af 12 Opdateret 3. november 2026 Udvikler
På denne side
  1. Hvad er Vision API?
  2. Hvorfor bruge Mistral Vision?
  3. Tilgængelige Vision-modeller
  4. Dit første Vision-kald
  5. Strukturen af en multimodal besked
  6. Hvad du vil lære i dette kursus
  7. Vigtige pointer

Opdatering 2. november 2026 — modeller. Mistral Large 3 (mistral-large-2512) og Mistral Medium 3.5 er udgået siden 31. oktober 2026 og vil blive afviklet den 30. april 2027. Deres udpegede efterfølger, Mistral Large 4 (mistral-large-4), har været i offentlig forhåndsvisning siden 6. oktober. Eksemplerne i dette kursus bruger aliaset mistral-large-latest, som ifølge den officielle specifikation stadig peger på Mistral Large 3 (verificeret 3. november 2026). Tilsvarende peger mistral-medium-latest på Mistral Medium 3.5. Disse aliaser forbliver gyldige indtil 30. april 2027. Test mistral-large-4, deres udpegede efterfølger, til nye projekter.

Hvad er Vision API?

Sprogmodeller stopper ikke længere ved tekst. Siden 2024 har Mistral AI tilbudt multimodale modeller, der kan analysere tekst og billeder samtidigt. Denne evne, kaldet Vision, ændrer karakteren af det arbejde, du kan automatisere: en fotograferet faktura, et skærmbillede af et dashboard eller et teknisk diagram ophører med at være en uigennemsigtig fil, som et menneske skal åbne. I stedet bliver de til input, som din kode spørger til, præcis som den ville spørge til en streng.

Omfanget er bredt: dokumentanalyse, aflæsning af diagrammer og visuel dataekstraktion. En revisionsvirksomhed, der modtager tre hundrede scannede kvitteringer om måneden, kan bede modellen om at læse beløbene; et produktteam kan automatisk beskrive skærmbilleder indsendt af brugere. I dette kursus lærer du at udnytte Mistral Vision API til at integrere denne type analyse i dine Python-applikationer. Hver lektion kombinerer en forklaring på mekanismen med kode, der er klar til brug.

Hvorfor bruge Mistral Vision?

Det første argument er manglen på teknisk forstyrrelse. Du kalder det samme chat.complete()-endpoint, som bruges til tekst: der er ingen separat API at lære, ingen særskilt klient at instantiere. Du tilføjer blot billeder til beskeden. Et projekt, der allerede er bygget på tekstgenerering, kan håndtere vision uden en redesign.

Det andet er valget af model. Fra den mest kraftfulde, Mistral Large 3, til den letteste i Ministral 3-familien, justerer du kvalitets/omkostnings-afvejningen til dit tilfælde: en tung model til finmasket analyse af et finansielt diagram, en let model til at sortere ti tusind fotos efter kategori. Du foretager denne justering i en enkelt kodelinje, som du vil se i lektion 3.

To yderligere strategiske overvejelser gør sig gældende. Beskedformatet følger OpenAI-lignende standarden, hvilket letter migration fra en anden udbyder: koden til at bygge beskeder forbliver praktisk talt uændret. Og fordi Mistral er en fransk virksomhed, kan dine data blive i Europa, hvilket ofte er en afgørende faktor, når billeder indeholder personlige eller kontraktuelle oplysninger.

Tilgængelige Vision-modeller

Fem Mistral-modeller understøtter vision. Hver identificeres ved et API-ID, som du sender til parameteren model.

ModelAPI-IDPrimært anvendelsesområde
Mistral Large 3mistral-large-2512Kompleks analyse, højeste kvalitet
Mistral Medium 3.5mistral-medium-latestGod balance mellem kvalitet og hastighed
Mistral Small 4mistral-small-latestDaglig brug, hurtig og økonomisk
Ministral 3 14Bministral-14b-2512Edge computing, lav latency
Ministral 3 8Bministral-8b-2512Indlejrede systemer, begrænsede ressourcer

Alle disse modeller accepterer billeder som input via Chat Completions API. Med andre ord vil den kode, du er ved at skrive, fungere identisk med alle fem.

To former for identifikatorer sameksisterer i denne tabel, og valget mellem dem er en arkitektonisk beslutning. Aliaserne med -latest sporer automatisk den aktuelle version af modellen: dine kald drager fordel af forbedringer uden at røre din kode, til prisen af en adfærd, der kan udvikle sig under dine fødder. Dato-stemplede identifikatorer som mistral-large-2512 låser en specifik version: adfærden forbliver stabil, men du skal holde styr på udfasninger. Brug aliaset til en prototype; til en produktionspipeline med validerede output skal du låse versionen og planlægge dine opgraderinger.

Dit første Vision-kald

Her er et minimalt eksempel på at sende et billede til Mistral og få en beskrivelse:

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)

Én detalje adskiller dette kald fra et standard tekst-kald, og det fortjener opmærksomhed: feltet content i brugerbeskeden er et array (en liste) i stedet for en simpel streng. Det er denne struktur, der muliggør blanding af tekst og billeder i en enkelt omgang.

Strukturen af en multimodal besked

En standard tekst-besked passer på én linje:

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

En multimodal besked erstatter den streng med en liste over typede elementer, hvor hver annonceres af sit type-felt:

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

Intet tvinger dig til at begrænse dig til ét element af hver slags. Du kan inkludere flere text- og image_url-elementer i en enkelt besked. Det er netop dette, der gør det muligt for dig f.eks. at præsentere et referencebillede og derefter et billede til sammenligning, hvor du introducerer hvert med en sætning. Vi vil dække dette i detaljer i de følgende lektioner.

Hvad du vil lære i dette kursus

Dette kursus på 12 lektioner skrider frem fra mekanisme til anvendelse. Lektion 1 til 3 dækker multimodale modeller: hvad der faktisk sker, når et billede enters modellen, og hvordan du vælger den, der passer til din arbejdsmængde. Lektion 4 til 6 dækker afsendelse af billeder, via URL, i Base64 og derefter flere billeder i en enkelt besked. Lektion 7 til 10 gennemgår konkrete brugstilfælde – diagramanalyse, OCR, struktureret ekstraktion og billedsammenligning. Lektion 11 og 12 afrunder emnet med begrænsninger, omkostningsoptimering og mulige udvidelser.

Vigtige pointer

  • Mistral Vision API bruger det samme endpoint som tekst-chat
  • Brugerbeskeden bliver til et array indeholdende text- og image_url-elementer
  • Fem modeller understøtter vision, fra den mest kraftfulde til den letteste
  • Mistral er et relevant valg for projekter, der kræver europæisk datasuverænitet