Εισαγωγή στην Όραση μέσω του Mistral API
Σε αυτήν τη σελίδα
Ενημέρωση 2 Νοεμβρίου 2026 — μοντέλα. Τα Mistral Large 3 (
mistral-large-2512) και Mistral Medium 3.5 έχουν καταργηθεί από τις 31 Οκτωβρίου 2026 και θα αποσυρθούν οριστικά στις 30 Απριλίου 2027. Ο διάδοχός τους, το Mistral Large 4 (mistral-large-4), βρίσκεται σε δημόσια προεπισκόπηση από τις 6 Οκτωβρίου. Τα παραδείγματα σε αυτό το μάθημα χρησιμοποιούν το ψευδώνυμοmistral-large-latest, το οποίο εξακολουθεί να δείχνει στο Mistral Large 3 σύμφωνα με την επίσημη προδιαγραφή (επαληθεύτηκε στις 3 Νοεμβρίου 2026). Ομοίως, τοmistral-medium-latestδείχνει στο Mistral Medium 3.5. Αυτά τα ψευδώνυμα θα παραμείνουν έγκυρα έως τις 30 Απριλίου 2027. Για νέα έργα, δοκιμάστε τοmistral-large-4, τον ορισμένο διάδοχό τους.
Τι είναι το Vision API;
Τα γλωσσικά μοντέλα δεν περιορίζονται πλέον στο κείμενο. Από το 2024, η Mistral AI προσφέρει πολυτροπικά μοντέλα ικανά να αναλύουν ταυτόχρονα κείμενο και εικόνες. Αυτή η δυνατότητα, που ονομάζεται Όραση (Vision), αλλάζει τη φύση της εργασίας που μπορείτε να αυτοματοποιήσετε: ένα τιμολόγιο φωτογραφημένο, ένα στιγμιότυπο οθόνης πίνακα ελέγχου ή ένα τεχνικό διάγραμμα παύουν να είναι ένα αδιαφανές συνημμένο που πρέπει να ανοίξει ένας άνθρωπος. Αντ’ αυτού, αυτά γίνονται είσοδοι που ο κώδικάς σας ερωτά, ακριβώς όπως θα ερωτούσε μια συμβολοσειρά.
Το πεδίο εφαρμογής είναι ευρύ: ανάλυση εγγράφων, ανάγνωση γραφημάτων και εξαγωγή οπτικών δεδομένων. Μια λογιστική εταιρεία που λαμβάνει τριακόσιες σαρωμένες αποδείξεις μηνιαίως μπορεί να ζητήσει από το μοντέλο να διαβάσει τα ποσά· μια ομάδα προϊόντων μπορεί να περιγράψει αυτόματα τα στιγμιότυπα οθόνης που υποβάλλουν οι χρήστες. Σε αυτό το μάθημα, θα μάθετε πώς να αξιοποιείτε το Mistral Vision API για να ενσωματώσετε αυτόν τον τύπο ανάλυσης στις Python εφαρμογές σας. Κάθε μάθημα συνδυάζει την εξήγηση του μηχανισμού με έτοιμο προς χρήση κώδικα.
Γιατί να χρησιμοποιήσετε το Mistral Vision;
Το πρώτο επιχείρημα είναι η έλλειψη τεχνικής αναταραχής. Καλείτε το ίδιο τελικό σημείο chat.complete() που χρησιμοποιείται για το κείμενο: δεν υπάρχει ξεχωριστό API για εκμάθηση, ούτε distinct client για δημιουργίααντικείμενο. Απλώς προσθέτετε εικόνες στο μήνυμα. Ένα έργο ήδη χτισμένο στη δημιουργία κειμένου φιλοξενεί την όραση χωρίς επανασχεδιασμό.
Το δεύτερο είναι η επιλογή μοντέλου. Από το πιο ισχυρό, το Mistral Large 3, έως το ελαφρύτερο στην οικογένεια Ministral 3, προσαρμόζετε την ισορροπία ποιότητας/κόστους στην περίπτωσή σας: ένα βαρύ μοντέλο για λεπτομερή ανάλυση ενός οικονομικού γραφήματος, ένα ελαφρύ μοντέλο για την ταξινόμηση δέκα χιλιάδων φωτογραφιών ανά κατηγορία. Κάνετε αυτή την προσαρμογή σε μία μόνο γραμμή κώδικα, όπως θα δείτε στο Μάθημα 3.
Ισχύουν δύο ακόμη στρατηγικές considerations. Η μορφή μηνύματος ακολουθεί το πρότυπο τύπου OpenAI, το οποίο διευκολύνει τη μετάβαση από έναν άλλο πάροχο: ο κώδικας για τη δημιουργία μηνυμάτων παραμένει πρακτικά αμετάβλητος. Και επειδή η Mistral είναι γαλλική εταιρεία, τα δεδομένα σας μπορούν να παραμείνουν στην Ευρώπη, ένας συχνά καθοριστικός παράγοντας όταν οι εικόνες περιέχουν προσωπικές ή συμβατικές πληροφορίες.
Διαθέσιμα Μοντέλα Όρασης
Πέντε μοντέλα της Mistral υποστηρίζουν την όραση. Το καθένα αναγνωρίζεται από ένα ID API που περνάτε στην παράμετρο model.
| Μοντέλο | API ID | Κύρια Περίπτωση Χρήσης |
|---|---|---|
| Mistral Large 3 | mistral-large-2512 | Σύνθετη ανάλυση, υψηλότερη ποιότητα |
| Mistral Medium 3.5 | mistral-medium-latest | Καλή ισορροπία ποιότητας/ταχύτητας |
| Mistral Small 4 | mistral-small-latest | Καθημερινή χρήση, γρήγορο και οικονομικό |
| Ministral 3 14B | ministral-14b-2512 | Υπολογιστική άκρη (Edge), χαμηλή καθυστέρηση |
| Ministral 3 8B | ministral-8b-2512 | Ενσωματωμένα συστήματα, περιορισμένοι πόροι |
Όλα αυτά τα μοντέλα δέχονται εικόνες ως είσοδο μέσω του Chat Completions API. Με άλλα λόγια, ο κώδικας που πρόκειται να γράψετε θα λειτουργεί πανομοιότυπα και με τα πέντε.
Δύο μορφές αναγνωριστικών συνυπάρχουν σε αυτόν τον πίνακα και η επιλογή μεταξύ τους αποτελεί αρχιτεκτονική απόφαση. Τα ψευδώνυμα -latest παρακολουθούν αυτόματα την τρέχουσα έκδοση του μοντέλου: οι κλήσεις σας επωφελούνται από βελτιώσεις χωρίς να αγγίζετε τον κώδικά σας, με κόστος μια συμπεριφορά που ενδέχεται να εξελιχθεί κάτω από τα πόδια σας. Τα αναγνωριστικά με ημερομηνία, όπως το mistral-large-2512, καρφιτσώνουν μια συγκεκριμένη έκδοση: η συμπεριφορά παραμένει σταθερή, αλλά πρέπει να παρακολουθείτε τις καταργήσεις. Χρησιμοποιήστε το ψευδώνυμο για ένα πρωτότυπο· για έναν σωλήνα παραγωγής με επικυρωμένες εξόδους, καρφιτσώστε την έκδοση και σχεδιάστε τις αναβαθμίσεις σας.
Η Πρώτη σας Κλήση Όρασης
Ακολουθεί ένα ελάχιστο παράδειγμα για την αποστολή μιας εικόνας στη Mistral και τη λήψη μιας περιγραφής:
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)
Μια λεπτομέρεια διακρίνει αυτή την κλήση από μια τυπική κλήση κειμένου και αξίζει προσοχής: το πεδίο content του μηνύματος χρήστη είναι ένας πίνακας (μια λίστα) αντί για μια απλή συμβολοσειρά. Αυτή η δομή είναι που επιτρέπει την ανάμειξη κειμένου και εικόνων σε έναν μόνο γύρο.
Δομή ενός Πολυτροπικού Μηνύματος
Ένα τυπικό μήνυμα μόνο με κείμενο χωράει σε μία γραμμή:
{"role": "user", "content": "Hello, how are you?"}
Ένα πολυτροπικό μήνυμα αντικαθιστά αυτή τη συμβολοσειρά με μια λίστα στοιχείων με τύπο, το καθένα ανακοινώνεται από το πεδίο type του:
{
"role": "user",
"content": [
{"type": "text", "text": "Your question here"},
{"type": "image_url", "image_url": "URL or data URI of the image"}
]
}
Τίποτα δεν σας υποχρεώνει να περιοριστείτε σε ένα στοιχείο κάθε είδους. Μπορείτε να συμπεριλάβετε πολλαπλά στοιχεία text και image_url σε ένα μόνο μήνυμα. Αυτό είναι ακριβώς που σας επιτρέπει, για παράδειγμα, να παρουσιάσετε μια εικόνα αναφοράς και στη συνέχεια μια εικόνα για σύγκριση, εισάγοντας την καθεμία με μια πρόταση. Θα καλύψουμε αυτό το θέμα λεπτομερώς στα επόμενα μαθήματα.
Τι Θα Μάθετε σε Αυτό το Μάθημα
Αυτό το μάθημα 12 ενοτήτων εξελίσσεται από τον μηχανισμό στην εφαρμογή. Τα Μαθήματα 1 έως 3 καλύπτουν τα πολυτροπικά μοντέλα: τι συμβαίνει ακριβώς όταν μια εικόνα εισέρχεται στο μοντέλο και πώς να επιλέξετε αυτό που ταιριάζει στο φόρτο εργασίας σας. Τα Μαθήματα 4 έως 6 καλύπτουν την αποστολή εικόνων, μέσω URL, σε Base64 και στη συνέχεια πολλαπλών εικόνων σε ένα μόνο μήνυμα. Τα Μαθήματα 7 έως 10 παρουσιάζουν συγκεκριμένες περιπτώσεις χρήσης—ανάλυση γραφημάτων, OCR, δομημένη εξαγωγή και σύγκριση εικόνων. Τα Μαθήματα 11 και 12 ολοκληρώνουν το θέμα με τους περιορισμούς, τη βελτιστοποίηση του κόστους και τις πιθανές επεκτάσεις.
Βασικά σημεία
- Το Mistral Vision API χρησιμοποιεί το ίδιο τελικό σημείο με το chat κειμένου
- Το μήνυμα χρήστη γίνεται ένας πίνακας που περιέχει στοιχεία
textκαιimage_url - Πέντε μοντέλα υποστηρίζουν την όραση, από τα πιο ισχυρά έως τα πιο ελαφριά
- Η Mistral αποτελεί σχετική επιλογή για έργα που απαιτούν ευρωπαϊκή κυριαρχία δεδομένων