Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Einführung in KI-Vision mit Mistral

Lektion 1 von 14 Aktualisiert am 2. November 2026 Anfänger
Auf dieser Seite
  1. Wenn KI-Modelle zu sehen lernen
  2. Warum Vision alles verändert
  3. Mistrals Vision-Modelle
  4. Was Sie in diesem Abschnitt lernen werden
  5. Kernaussagen

Update vom 2. November 2026 — Le Chat ist nun Vibe. Seit dem 28. Mai 2026 wurde Le Chat in Vibe umbenannt (nach wie vor unter chat.mistral.ai): ein einziger Agent für Arbeit und Code, der Ihre Gespräche, Einstellungen und Abonnements übernimmt. Die klassische Le Chat-Erfahrung bleibt im Chat-Modus verfügbar; im Work-Modus sind Agenten zu Fähigkeiten geworden (über @ aufrufbar), Erinnerungen bilden die Wissensbasis und die tiefe Suche ist nun die Fähigkeit Deep Research. Die Pläne heißen nun Mistral Free, Pro, Team und Enterprise. Diese Lektion verwendet den Namen Vibe; beachten Sie, dass einige hier beschriebene Menüs andere Namen oder Standorte haben können.

Wenn KI-Modelle zu sehen lernen

Bis vor kurzem verstanden KI-Assistenten nur Text. Sie konnten ihnen Fragen stellen, lassen sie eine E-Mail entwerfen oder ein Dokument zusammenfassen – aber ein Foto zu zeigen, um eine aussagekräftige Analyse zu erhalten, war unmöglich. Mit den multimodalen Modellen von Mistral AI ist diese Einschränkung Geschichte. Dies ist wahrscheinlich die greifbarste Veränderung, die Sie in Ihrer täglichen KI-Nutzung feststellen werden.

KI-Vision bezeichnet die Fähigkeit eines Sprachmodells, den visuellen Inhalt eines Bildes – eines Fotos, Diagramms, Screenshot oder Diagramms – zu analysieren und eine textbasierte Interpretation zu liefern. In der Praxis laden Sie ein Bild in Vibe (Mistrals Assistent) hoch, und das Modell reagiert, als würde es tatsächlich sehen, was Sie ihm zeigen. Es erkennt nicht nur Formen; es liest Text innerhalb des Bildes, versteht Tabellenstrukturen, folgt Diagrammtrends und verbindet all dies mit Ihrer spezifischen Frage.

4+
Verfügbare Vision-Modelle
9+
Unterstützte Audio-Sprachen
OCR 3
Dokumenten-Erkennungsmotor
~90 ms
Voxtral TTS-Latenz

Warum Vision alles verändert

Stellen Sie sich vor, Sie erhalten ein vierteljährliches Umsatzdiagramm per E-Mail. Früher müssten Sie es in einer Tabellenkalkulation öffnen, die Zahlen einzeln lesen und die Trends interpretieren – und wenn das Diagramm nur ein Bild war, hätten Sie gar keinen Zugriff auf die zugrunde liegenden Daten. Jetzt können Sie dieses Bild in Vibe einfügen und fragen: „Was ist der Haupttrend?” oder „Vergleichen Sie Q1 und Q3”. Das Modell identifiziert die Achsen, Legenden und Werte und liefert innerhalb von Sekunden eine Antwort in natürlicher Sprache.

Diese Fähigkeit transformiert viele alltägliche Szenarien. Angesichts eines Fotos beschreibt das Modell den Inhalt, identifiziert Objekte, Orte oder Sehenswürdigkeiten – hilfreich, wenn Sie den Namen einer Pflanze benötigen, die Sie auf einem Spaziergang entdeckt haben. Bei einem gescannten Dokument liest es Text von einer Visitenkarte, Quittung oder einem Papierformular und spart Ihnen mühsame manuelle Eingaben. Bei Diagrammen oder Diagrammen extrahiert es Schlüsseldaten aus Kreisdiagrammen oder Balkendiagrammen wie ein Analyst. Und bei einem Screenshot analysiert es eine Benutzeroberfläche, entschlüsselt eine Fehlermeldung oder fasst ein Dashboard zusammen – unschätzbar wertvoll, wenn Software einen unverständlichen Fehlercode wirft und Sie wissen müssen, was als Nächstes zu tun ist.

Mistrals Vision-Modelle

Mistral bietet mehrere Modelle an, die Bilder verarbeiten können. Obwohl Sie diese nicht manuell auswählen müssen, hilft es, ihre jeweiligen Rollen zu verstehen. Mistral Large 3 ist das Flaggschiff-Modell und liefert die beste Leistung für komplexe visuelle Analysen; es ist Ihre erste Wahl, wenn Präzision zählt, wie zum Beispiel beim Zerlegen eines dichten technischen Schaltplans. Mistral Medium 3.1 bietet ein hervorragendes Gleichgewicht zwischen Leistung und Geschwindigkeit und ist daher die natürliche Wahl für den täglichen Einsatz in Vibe. Mistral Small 3.2 ist leichter: Es reagiert schnell und bietet gleichzeitig eine solide Analysequalität, was es perfekt für einfache Aufgaben wie die Beschreibung eines Fotos eignet. Schließlich besteht Ministral 3, verfügbar in den Versionen mit 14B, 8B und 3B Parametern, aus den kompaktesten Modellen der Reihe und ist für schnelle Antworten bei grundlegenden visuellen Analysen konzipiert.

Als Vibe-Nutzer wählen Sie das Modell nicht manuell aus; das Interface wählt automatisch dasjenige aus, das am besten zu Ihrer Anfrage passt. Aber denken Sie daran: Hinter jedem einfachen Bild, das in den Gesprächsverlauf geworfen wird, arbeitet ein multimodales neuronales Netzwerk. Die Sophistikation dieses Netzwerks ist genau der Grund, warum es das, was Sie ihm zeigen, so gut versteht.

Was Sie in diesem Abschnitt lernen werden

Dieser erste Abschnitt des Kurses führt Sie Schritt für Schritt durch die Nutzung von KI-Vision über Mistrals Vibe. Sie beginnen damit, ein Bild hochzuladen und Fragen dazu zu stellen, und bewegen sich dann zur Analyse von Diagrammen und zur Extraktion von Daten aus Tabellen. Anschließend werden Sie sehen, wie Sie mehrere Bilder innerhalb eines einzigen Gesprächs vergleichen können, bevor Sie kreative Anwendungsfälle erkunden, die über die einfache Bildbeschreibung hinausgehen.

Es sind keine technischen Fähigkeiten erforderlich. Wenn Sie wissen, wie Sie in Vibe eine Nachricht schreiben, wissen Sie bereits, wie Sie ein Bild analysieren können – ziehen Sie es einfach in den Gesprächsverlauf.

Kernaussagen

  • KI-Vision ermöglicht es Mistral-Modellen, Bilder zusätzlich zu Text zu analysieren
  • Es stehen mehrere Modelle zur Verfügung, von den leistungsstärksten (Large 3) bis zu den kompaktesten (Ministral 3)
  • Die Analyse funktioniert bei Fotos, Diagrammen, gescannten Dokumenten und Screenshots
  • In Vibe laden Sie einfach ein Bild hoch, um zu beginnen – kein Codieren erforderlich