Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Valg af din Mistral Vision-model

Lektion 3 af 12 Opdateret 2. november 2026 Udvikler
På denne side
  1. Hvilken model til hvilket brugstilfælde?
  2. Sammenligning af vision-modeller
  3. Mistral Large 3 – kvalitetsbenchmarket
  4. Mistral Small 3.2 – det økonomiske valg
  5. Ministral 3 – edge-modellen
  6. Beslutningstræ
  7. Skift af modeller i din kode
  8. Vigtige pointer

Hvilken model til hvilket brugstilfælde?

Mistral tilbyder flere modeller, der kan behandle billeder, hver med sine egne egenskaber inden for kvalitet, hastighed og omkostninger. At vælge den rigtige er ikke bare en implementeringsdetalje: mellem de tungeste og letteste modeller er prisforskellen mere end ti gange. Ved en strøm på ti tusind billeder om måneden påvirker denne beslutning dit budget mere end nogen anden del af din arkitektur.

Denne lektion gennemgår specifikationerne for hver vision-model og giver dig metoden til at vælge den, der passer til dit brugstilfælde.

Sammenligning af vision-modeller

Tabellen nedenfor genoptager landskabet fra april 2026, som blev præsenteret i lektion 1, og tilføjer de nøgletal, der betyder noget, når du skal træffe dit valg.

Model Parametre Hastighed Pris (input/1M tokens) Brugstilfælde
Mistral Large 3 ~123B Moderat ~$2 Finkornet analyse, kompleks ræsonnement
Mistral Medium 3.1 ~70B Hurtig ~$0.40 Alsidedig, bedste pris-kvalitetsforhold
Mistral Small 3.2 ~24B Meget hurtig ~$0.10 Højt volumen, simpel OCR, sortering
Ministral 3 14B 14B Meget hurtig ~$0.10 Edge, kritisk ventetid, on-premise
Ministral 3 8B 8B Ekstremt hurtig ~$0.10 Indlejret, hurtig klassificering

Priserne er vejledende og kan variere – tjek Mistral-prissiden for opdaterede data.

Mistral Large 3 – kvalitetsbenchmarket

Mistral Large 3 er flagskibsmodellen til vision. Dens cirka 123 milliarder parametre er berettigede på tre områder. For det første finkornet analyse: et diagram med overlappende legender, et annoteret teknisk diagram eller en tæt brugergrænseflade er billeder, hvor halvdelen af informationen ligger i småt og i relationerne mellem elementerne. For det andet ræsonnement i flere trin, når spørgsmålet går ud over simpel beskrivelse: „Se på dette diagram, identificér tendensen og forklar de sandsynlige årsager” kæder tre operationer sammen, hvor den tredje afhænger af nøjagtigheden i de to første. Endelig struktureret ekstraktion, hvor målet er at omdanne billedindhold til velstruktureret JSON uden at opfinde eller udelade felter.

from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

# Large 3 til kompleks analyse
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Analyze this financial chart. Identify the main trends and inflection points."
                },
                {
                    "type": "image_url",
                    "image_url": "https://example.com/financial-chart.png"
                }
            ]
        }
    ]
)

Reservér den til kritisk analyse, følsomme data og professionelle applikationer, hvor præcision vejer tungere end omkostninger. En fejlfortolkning af et fakturabeløb koster mere end prisforskellen mellem to modeller.

Mistral Small 3.2 – det økonomiske valg

Med omkring 24 milliarder parametre tilbyder Small 3.2 et kvalitet-pris-forhold, der gør den til arbejdhesten i pipelines. Den håndterer behandling af store mængder uden problemer – hundreder eller tusinder af billeder om dagen – og simpel OCR på klar trykt tekst: etiketter, skilte, dokumentoverskrifter. Dens andet foretrukne brugstilfælde er sortering: hurtig klassificering af billeder for kun at sende dem, der virkelig fortjener det, til den tunge model.

# Small 3.2 til behandling af store mængder
response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Read the text visible on this product label."},
                {"type": "image_url", "image_url": "https://example.com/label.jpg"}
            ]
        }
    ]
)

Dette er det rigtige valg til automatiserede pipelines, MVP’er og alle tilfælde, hvor hastighed og omkostninger betyder mere end perfektion i den sidste procentdel.

Ministral 3 – edge-modellen

Ministral-modellerne i 14B- og 8B-versionerne er designet til on-premise- eller edge-udrulning. Deres værdi ligger mindre i rå kvalitet end i det, de muliggør: svar på få hundrede millisekunder, eksekvering på GPU’er i forbrugerklassen som RTX 4090 eller A10G, og frem for alt garantien for, at ingen data forlader din infrastruktur. En produktionslinje, der inspicerer dele, der kommer ud af en presse, kan hverken vente på en netværks-roundtrip eller eksportere sine billeder.

# Ministral 14B hostet lokalt (via vLLM eller Ollama)
from mistralai.client import Mistral

client = Mistral(
    api_key="local",
    server_url="http://localhost:8000/v1"
)

response = client.chat.complete(
    model="ministral-14b-2512",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Does this image contain a manufacturing defect?"},
                {"type": "image_url", "image_url": "data:image/jpeg;base64,/9j/4AAQ..."}
            ]
        }
    ]
)

Bemærk server_url, der peger på din egen server: resten af koden er strengt identisk. Typiske brugstilfælde omfatter industriel inspektion, sundhedsvesen, frakoblede miljøer og fortrolige data.

Beslutningstræ

Når du står over for et nyt projekt, er det mest afgørende spørgsmål placering: hvis data skal blive on-premise, slutter debatten med Ministral 3, hvor du vælger 14B for kvalitet eller 8B til en indlejret enhed. Hvis cloud er acceptabelt, beslutter du derefter ud fra belastningens art. Kritisk analysekvalitet kræver Mistral Large 3; højt billedvolumen peger på Mistral Small 3.2; og når ingen af begrænsningerne dominerer, tilbyder Mistral Medium 3.1 det generelle kompromis.

Skift af modeller i din kode

Hele pointen med denne forenede API er, at valget forbliver reversibelt. At skifte fra én model til en anden kræver kun at ændre én linje uden at røre ved beskedkonstruktionen:

# Skift fra Small til Large ved kun at ændre modellen
model = "mistral-small-latest"   # udvikling, test
# model = "mistral-large-latest" # produktion, maksimal kvalitet

response = client.chat.complete(model=model, messages=messages)

Denne egenskab muliggør intelligent routing, som du vil se gennem hele kurset: Small udfører sortering på hele strømmen, mens Large kun behandler komplekse tilfælde. På en batch, hvor kun en tiendedel af billederne kræver finkornet analyse, er besparelsen betydelig ved uændret slutkvalitet.

Vigtige pointer

  • Mistral Large 3 tilbyder den bedste kvalitet, men til de højeste omkostninger
  • Mistral Small 3.2 er ideel til volumen og simple brugstilfælde
  • Ministral-modeller muliggør lokal udrulning uden cloud-afhængighed
  • API’en er identisk for alle modeller – kun parameteren model ændres
  • Intelligent routing (Small til sortering, Large til analyse) optimerer kvalitet-pris-forholdet