Ir al contenido principal
Español— Elegir un idioma
Menú

Mistral en Azure AI

Lección 11 de 14 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. ¿Por qué usar Mistral a través de Azure?
  2. Elección entre serverless y GPU dedicada
  3. Modelos disponibles en Azure
  4. Obtención de tus credenciales
  5. Llamada al modelo en Python
  6. La misma llamada en TypeScript
  7. Aprovechar el resto de la plataforma
  8. Puntos clave

Actualizado el 3 de noviembre de 2026: El ejemplo en TypeScript pasaba anteriormente process.env.AZUREAI_API_KEY y process.env.AZUREAI_ENDPOINT directamente a MistralAzure. Dado que ambas opciones son obligatorias, TypeScript 7 en modo estricto se negaba a compilar (verificado con @mistralai/mistralai-azure 2.1.0). Ahora se validan las variables de entorno antes de construir el cliente. Fuente: SDK @mistralai/mistralai-azure.

¿Por qué usar Mistral a través de Azure?

Esta pregunta rara vez surge por motivos técnicos: la API directa de Mistral funciona a la perfección. Surge por razones contractuales y organizativas. Una empresa ya integrada en el ecosistema de Microsoft consume un compromiso de Azure negociado, dispone de procesos de adquisición establecidos y no tiene interés en abrir un nuevo contrato con un proveedor por unos pocos miles de euros en tokens.

El uso de Azure AI consolida la facturación en tu contrato de Azure existente, garantiza el cumplimiento del RGPD mediante regiones europeas, ofrece integración nativa con otros servicios de Azure (Azure Functions, Cosmos DB, Azure ML) y proporciona soporte empresarial de Microsoft con sus correspondientes acuerdos de nivel de servicio. En resumen: el mismo modelo, dentro del perímetro de gobernanza que tu departamento de TI ya ha aprobado.

Elección entre serverless y GPU dedicada

Azure ofrece dos enfoques, y la elección depende de la regularidad de tu carga de trabajo. El modo de pago por uso, también conocido como MaaS (Modelo como Servicio), expone una API serverless: sin GPUs que aprovisionar, solo pagas por los tokens consumidos y Azure se encarga del escalado. Este es el modo recomendado para la mayoría de los casos de uso, especialmente mientras tu tráfico sea irregular o impredecible.

Los endpoints en tiempo real responden a la necesidad opuesta. Tú eliges el tipo y la cantidad de GPU, la infraestructura es dedicada para ti y la facturación se realiza por hora de cómputo, tanto si el modelo está trabajando como si está inactivo. Una API interna golpeada continuamente por varios miles de usuarios encaja en este modelo; un prototipo al que se accede tres veces al día desperdiciará mucho dinero aquí. Recuerda la regla: este modo se recomienda para cargas de trabajo predecibles y de alto rendimiento.

Modelos disponibles en Azure

La documentación de Mistral enumera los siguientes modelos en Azure (lista obtenida el 2 de noviembre de 2026). El catálogo evoluciona regularmente: consulta la página oficial para ver la lista actual.

ModeloPosicionamiento
Mistral Medium 3.5Buen equilibrio rendimiento/coste
Mistral Large 3 (25.12)Modelo insignia para tareas complejas
Mistral Small (25.06)Rápido y económico
Codestral (25.01)Especializado en generación de código
Ministral 3B (24.10)Modelo compacto para tareas ligeras
Document AI (OCR 4)Extracción de texto y estructura en documentos

Obtención de tus credenciales

La recuperación de las credenciales se realiza a través de la interfaz de Azure y tarda unos minutos:

  1. Ve a Microsoft Foundry
  2. Crea un proyecto o selecciona uno existente
  3. Despliega un modelo de Mistral desde el catálogo de modelos
  4. Recupera tu endpoint y tu clave de API desde la página de despliegue

Coloca estos dos valores en variables de entorno, exactamente igual que con la clave directa de Mistral. La diferencia radica en el endpoint: cada despliegue de Azure tiene el suyo propio; no existe una URL común.

export AZUREAI_ENDPOINT="https://your-endpoint.inference.ai.azure.com"
export AZUREAI_API_KEY="your-azure-secret-key"

Llamada al modelo en Python

El SDK de Mistral proporciona un cliente dedicado para Azure, MistralAzure, incluido en el paquete mistralai: le pasas la URL de tu despliegue y la clave, y el resto del código es idéntico al que escribes para la API directa. Desde la versión 2.0 del SDK (marzo de 2026), se importa desde mistralai.azure.client.

import os
from mistralai.azure.client import MistralAzure

client = MistralAzure(
    server_url=os.environ["AZUREAI_ENDPOINT"],
    api_key=os.environ["AZUREAI_API_KEY"],
)

response = client.chat.complete(
    model="azureai",  # Identificador esperado por los endpoints de Azure
    messages=[
        {"role": "user", "content": "¿Cuáles son las ventajas de la nube soberana en Europa?"}
    ]
)

print(response.choices[0].message.content)

El punto más confuso reside en el parámetro model. Esperas escribir mistral-large-latest; sin embargo, debes poner azureai. La razón es simple: el modelo ya está determinado por el despliegue que creaste en el lado de Azure; el endpoint apunta a él y solo a él. Por tanto, cambiar de modelo implica cambiar de endpoint, no cambiar una cadena en el código.

El streaming, no obstante, no cambia ni una iota respecto a la API directa: mismo método, mismo nivel .data para alcanzar el contenido del fragmento. Esa es la gracia de un SDK unificado: el código que escribiste en lecciones anteriores funciona tal cual.

stream = client.chat.stream(
    model="azureai",
    messages=[
        {"role": "user", "content": "Describe la arquitectura de un lago de datos en Azure."}
    ]
)

for chunk in stream:
    content = chunk.data.choices[0].delta.content
    if content:
        print(content, end="", flush=True)

La misma llamada en TypeScript

En el lado de TypeScript, el cliente de Azure se publica en un paquete separado, @mistralai/mistralai-azure, que se instala con npm add @mistralai/mistralai-azure. Sus opciones siguen la convención de nombres de JavaScript: apiKey y endpoint, ambas obligatorias. De ahí la validación de las variables de entorno, sin la cual el modo estricto se niega a compilar, ya que una variable de entorno podría faltar:

import { MistralAzure } from '@mistralai/mistralai-azure';

const apiKey = process.env.AZUREAI_API_KEY;
const endpoint = process.env.AZUREAI_ENDPOINT;
if (!apiKey || !endpoint) {
  throw new Error('Establece AZUREAI_API_KEY y AZUREAI_ENDPOINT.');
}

const client = new MistralAzure({ apiKey, endpoint });

const response = await client.chat.complete({
  model: 'azureai',
  messages: [
    { role: 'user', content: '¿Cómo asegurar un Azure Key Vault?' },
  ],
});

console.log(response.choices[0]?.message?.content);

Fuentes: Mistral en Azure (documentación de Mistral) · SDK TypeScript @mistralai/mistralai-azure

Aprovechar el resto de la plataforma

Una vez que la llamada funciona, aprovecha los servicios por los que ya estás pagando. Almacena tus claves en Azure Key Vault en lugar de en variables de entorno: la rotación se convierte en una operación administrativa, no en un redespliegue. Habilita los registros de diagnóstico en tu endpoint para supervisar la latencia y los errores; es la única forma de distinguir la lentitud del modelo de la lentitud del código. Elige una región europea, Europa Occidental o Francia Central, para mantener el cumplimiento del RGPD: esta es a menudo la razón misma para elegir Azure. Finalmente, configura alertas de Azure Monitor sobre el consumo de tokens: un bucle mal cerrado en un trabajo nocturno aparece en la factura mucho más tarde que en una alerta.

Puntos clave

  • Azure AI ofrece Mistral en modos serverless (MaaS) o GPU dedicada
  • El modelo se identifica mediante "azureai" en las llamadas a la API
  • El cliente MistralAzure recibe el endpoint a través de server_url (Python, mistralai.azure.client) o endpoint (TypeScript, @mistralai/mistralai-azure)
  • La integración con el ecosistema de Azure (Key Vault, Monitor, Functions) es un activo mayor para las empresas
  • Elige una región europea para mantener el cumplimiento del RGPD