Übersicht über Mistral AI Studio
Auf dieser Seite
Aktualisiert am 2. November 2026 — Modelle. Mistral Large 3 (
mistral-large-2512) und Mistral Medium 3.5 wurden am 31. Oktober 2026 eingestellt und werden am 30. April 2027 endgültig zurückgezogen. Ihr benannter Nachfolger, Mistral Large 4 (mistral-large-4), steht seit dem 6. Oktober in der öffentlichen Vorschau. Die Beispiele in diesem Kurs verwenden den Aliasmistral-large-latest, der gemäß der offiziellen Spezifikation (verifiziert am 3. November 2026) derzeit auf Mistral Large 3 verweist. Ebenso verweistmistral-medium-latestauf Mistral Medium 3.5. Diese Aliase bleiben bis zum 30. April 2027 gültig. Für neue Projekte testen Siemistral-large-4, den benannten Nachfolger.
Drei Bereitstellungsstrategien
Die Bereitstellung eines Mistral-Modells für die Produktion umfasst mehr als nur die Beschaffung eines API-Schlüssels. Die zugrundeliegende Infrastruktur variiert drastisch, je nachdem, ob Sie einen internen Assistenten über das Wochenende prototypisieren oder die Dokumentenverarbeitung unter strengen Souveränitätsanforderungen industrialisieren. Aus diesem Grund bietet Mistral AI drei unterschiedliche Ansätze. Ihre Wahl hängt von Ihren Anforderungen an Sicherheit, Leistung und Infrastruktursteuung ab. Diese erste Lektion bietet einen Überblick auf hoher Ebene, bevor wir in die Details jeder Option eintauchen.
Mistral AI Studio: Der Einstiegspunkt
AI Studio ist die zentrale Plattform von Mistral. Hier greifen Sie auf Modelle zu, verwalten API-Schlüssel, konfigurieren Organisationen und überwachen die Nutzung. Hier aktivieren Sie auch die Abrechnung und wählen Ihren Bereitstellungsmodus. In der Praxis erstellt ein Team, das Mistral entdeckt, hier ein Konto, aktiviert die Abrechnung, generiert einen Schlüssel und tätigt seinen ersten API-Aufruf sofort, ohne jemals eine einzige Maschine bereitzustellen.
Die vom Studio bereitgestellten Funktionen decken die meisten Anwendungsfälle ab. Chat Completions übernimmt die generative Texterstellung für Gespräche, den Baustein für jeden Assistenten oder Zusammenfassungsmechanismus. Embeddings erzeugen Vektorrepräsentationen für semantische Suche: dies ermöglicht es einem internen Dokumentationsmechanismus, eine Notiz zur “Erstattungsprozedur” aufzuzeigen, wenn ein Mitarbeiter “wie erhalte ich eine Erstattung” eingibt. Function Calling ermöglicht es dem Modell, externe Funktionen aufzurufen, beispielsweise um Ihre tatsächliche Lagerdatenbank abzufragen, anstatt die Verfügbarkeit zu halluzinieren. JSON Mode garantiert strukturierte JSON-Antworten, was unerlässlich wird, wenn die Ausgabe einem anderen Programm statt einem menschlichen Leser zugeführt wird. Schließlich runden zwei Steuerfunktionen das Angebot ab: Guardrailing, das Inhaltsmoderation und Filterung übernimmt, und Fine-tuning, das Modelle auf Ihren Daten anpasst, wenn das Vokabular oder der Ton Ihrer Branche nicht allein durch Prompting erreicht werden können.
Die drei Bereitstellungsoptionen
Bevor wir jede Option im Detail betrachten, fasst diese Tabelle zusammen, was sie wirklich unterscheidet: wer die Infrastruktur betreibt, wo die Daten gespeichert sind, durch welches Netzwerk sie verläuft und wie lange es dauert, bis man loslegen kann.
| Kriterium | Serverless | Dedicated Serverless | Self-Hosted |
|---|---|---|---|
| Infrastruktur | Von Mistral verwaltet | Von Mistral verwaltet | Vom Kunden verwaltet |
| Daten | Geteilter Multi-Tenant | Virtuell isoliert | Vom Kunden gehostet |
| Netzwerk | Öffentliches Internet | Private Subnetz | Vom Kunden gehostet |
| Compute | Geteilt | Geteilt (dedizierte GPU verfügbar) | Vom Kunden gehostet |
| Anwendungsfälle | Prototypisierung, KMUs | Produktion, Unternehmen | Souveränität, On-Premise |
| Zeit bis zum Start | Minuten | Stunden | Tage/Wochen |
Serverless: Schneller Start
Die Serverless-Option ist die einfachste. Sie erstellen ein Konto in AI Studio, aktivieren die Abrechnung und erhalten einen API-Schlüssel innerhalb weniger Minuten. Mistral verwaltet die Infrastruktur vollständig, wobei der Compute-Ressourcen unter den Nutzern geteilt werden. Der entsprechende Code passt in fünf Zeilen, und genau darauf kommt es an: nichts lenkt Sie von dem Produkt ab, das Sie zu bauen versuchen.
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)
Dieser Ansatz ist perfekt für Prototypen, Anwendungen mit geringem Volumen oder Teams, die die Modelle bewerten möchten, bevor sie sich für dedizierte Infrastruktur entscheiden. Machen Sie es jedoch von Anfang an zur Gewohnheit, den Schlüssel niemals als Klartext innerhalb der Datei zu belassen. Wir werden in der nächsten Lektion sehen, wie man ihn aus dem Code entfernt.
Dedicated Serverless: Unternehmensisolierung
Die Dedicated Serverless-Option bietet virtuelle Datenisolierung und ein privates Subnetz. Mistral verwaltet weiterhin die Infrastruktur, aber Ihre Anfragen durchlaufen nicht mehr das öffentliche Internet, und Sie können dedizierte GPUs anfordern, um eine konsistente Leistung zu garantieren. Stellen Sie sich eine Genossenschaftsversicherung vor, die Korrespondenz von Mitgliedern analysiert: Sie möchte keinen GPU-Cluster betreiben, aber ihre Gesundheitsdaten dürfen nicht über einen öffentlichen Pfad reisen. Diese Option ist genau für solche Situationen zugeschnitten, in denen die Datensensibilität real ist, das Unternehmen jedoch keine Infrastrukturbetreiber werden möchte.
Self-Hosted: Vollständige Kontrolle
Die Self-Hosted-Option überträgt die gesamte Infrastruktur in Ihre Hände. Mistral stellt die Modellgewichte zur Verfügung – offene Gewichte, größtenteils unter der Apache 2.0-Lizenz – und Sie übernehmen die Bereitstellung unter Verwendung von Inferenz-Engines wie vLLM oder TensorRT-LLM.
# Beispiel: Bereitstellung von Mistral mit vLLM
vllm serve mistralai/Mistral-Nemo-Instruct-2407 \
--tokenizer_mode mistral \
--config_format mistral \
--load_format mistral
Dies ist der anspruchsvollste Ansatz, da Sie für GPUs, Updates und Verfügbarkeit verantwortlich sind. Er gewährt Ihnen jedoch die vollständige Kontrolle über Daten, Netzwerk und Leistung. Wir werden darauf im Detail im Abschnitt zur Selbsthosting in den Lektionen 10 bis 13 zurückkommen.
Alternativen zum Studio: Drittanbieter-Clouds
AI Studio ist nicht der einzige Einstiegspunkt. Wenn Ihr Unternehmen Abrechnung, Zugriff und Compliance bereits mit einem Cloud-Anbieter konsolidiert hat, ist es oft schneller, Mistral dort zu konsumieren, als einen zusätzlichen Vertrag zu eröffnen. Sechs Anbieter verteilen die Modelle: Azure AI von Microsoft, das sie als Model as a Service auslegt; Google Cloud Vertex AI, die einheitliche ML-Plattform von Google; Amazon Bedrock, der verwaltete Dienst von AWS; Snowflake Cortex, der KI direkt in Snowflake integriert; IBM watsonx.ai, die Unternehmens-KI-Plattform von IBM; und Outscale, ein europäischer Cloud-Anbieter.
Wir werden diese Cloud-Optionen in den Lektionen 4 bis 9 im Detail erläutern. Bevor Sie weitermachen, ordnen Sie Ihr eigenes Projekt der obigen Tabelle zu: Die Antwort auf die Frage “Wer sollte die GPUs betreiben?” eliminiert in der Regel zwei der drei Spalten.
Kernaussagen
- AI Studio ist das zentrale Hub zur Verwaltung Ihrer Mistral-Modelle, API-Schlüssel und Organisationen
- Drei Bereitstellungsstufen: Serverless (schnell), Dedicated (isoliert), Self-Hosted (vollständige Kontrolle)
- Ihre Wahl hängt von Ihren Einschränkungen ab: Budget, Datensicherheit, Latenz und Volumen
- Drittanbieter-Clouds bieten eine Alternative für diejenigen, die bereits in ein bestehendes Ökosystem integriert sind