Ir al contenido principal
Español— Elegir un idioma
Menú

Visión general de Mistral AI Studio

Lección 1 de 14 Actualizado el 3 de noviembre de 2026 Avanzado
En esta página
  1. Tres estrategias de despliegue
  2. Mistral AI Studio: el punto de entrada
  3. Las tres opciones de despliegue
  4. Serverless: inicio rápido
  5. Dedicated Serverless: aislamiento empresarial
  6. Self-Hosted: control total
  7. Alternativas al Studio: nubes de terceros
  8. Puntos clave

Actualizado el 2 de noviembre de 2026 — Modelos. Mistral Large 3 (mistral-large-2512) y Mistral Medium 3.5 quedaron obsoletos el 31 de octubre de 2026 y se retirarán el 30 de abril de 2027. Su sucesor designado, Mistral Large 4 (mistral-large-4), está en vista previa pública desde el 6 de octubre. Los ejemplos de este curso utilizan el alias mistral-large-latest, que actualmente apunta a Mistral Large 3 según su especificación oficial (verificado el 3 de noviembre de 2026). De igual forma, mistral-medium-latest apunta a Mistral Medium 3.5. Estos alias seguirán siendo válidos hasta el 30 de abril de 2027. Para nuevos proyectos, prueba mistral-large-4, el sucesor designado.

Tres estrategias de despliegue

Desplegar un modelo de Mistral en producción implica algo más que obtener una clave de API. La infraestructura subyacente varía drásticamente dependiendo de si estás creando un prototipo de asistente interno durante un fin de semana o industrializando el procesamiento de documentos bajo estrictas restricciones de soberanía. Por esta razón, Mistral AI ofrece tres enfoques distintos. Tu elección dependerá de tus requisitos de seguridad, rendimiento y control de la infraestructura. Esta primera lección ofrece una visión de alto nivel antes de profundizar en los detalles de cada opción.

Mistral AI Studio: el punto de entrada

AI Studio es la plataforma centralizada de Mistral. Aquí es donde accedes a los modelos, gestionas las claves de API, configuras las organizaciones y supervisas el uso. También es donde habilitas la facturación y seleccionas tu modo de despliegue. En la práctica, un equipo que descubre Mistral crea una cuenta aquí, habilita la facturación, genera una clave y realiza su primera llamada a la API de inmediato, sin tener que aprovisionar ni una sola máquina.

Las capacidades que expone el Studio cubren la mayoría de los casos de uso de aplicaciones. Chat Completions gestiona la generación de texto conversacional, el bloque de construcción de cualquier asistente o motor de resumen. Embeddings produce representaciones vectoriales para la búsqueda semántica: esto es lo que permite a un motor de documentación interno mostrar una nota sobre el «procedimiento de reembolso» cuando un empleado escribe «cómo solicito el reembolso». Function Calling permite al modelo invocar funciones externas, por ejemplo, para consultar tu base de datos de inventario real en lugar de alucinar disponibilidad. JSON Mode garantiza respuestas JSON estructuradas, algo esencial cuando la salida alimenta otro programa en lugar de un lector humano. Por último, dos funciones de control completan la oferta: Guardrailing, que se encarga de la moderación y filtrado de contenido, y Fine-tuning, que personaliza los modelos con tus datos cuando el vocabulario o el tono de tu sector no pueden lograrse solo mediante indicaciones (prompts).

Las tres opciones de despliegue

Antes de examinar cada opción en detalle, esta tabla resume lo que realmente las distingue: quién opera la infraestructura, dónde residen los datos, por qué red circulan y cuánto tiempo se tarda en empezar.

CriterioServerlessDedicated ServerlessSelf-Hosted
InfraestructuraGestionada por MistralGestionada por MistralGestionada por el cliente
DatosMultiinquilino compartidoAislamiento virtualAlojados por el cliente
RedInternet públicoSubred privadaAlojados por el cliente
CómputoCompartidoCompartido (GPU dedicada disponible)Alojados por el cliente
Casos de usoPrototipado, pymesProducción, empresaSoberanía, on-premise
Tiempo de inicioMinutosHorasDías/semanas

Serverless: inicio rápido

La opción Serverless es la más sencilla. Creas una cuenta en AI Studio, habilitas la facturación y obtienes una clave de API en cuestión de minutos. Mistral gestiona totalmente la infraestructura, con recursos de cómputo compartidos entre usuarios. El código correspondiente cabe en cinco líneas, y ese es precisamente el objetivo: nada te distrae del producto que intentas construir.

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)

Este enfoque es perfecto para prototipado, aplicaciones de bajo volumen o equipos que quieren evaluar los modelos antes de comprometerse con una infraestructura dedicada. Sin embargo, acostúmbrate desde el principio a no dejar nunca la clave en texto plano dentro del archivo. Veremos en la siguiente lección cómo sacarla del código.

Dedicated Serverless: aislamiento empresarial

La opción Dedicated Serverless ofrece aislamiento virtual de datos y una subred privada. Mistral sigue gestionando la infraestructura, pero tus solicitudes ya no circulan por internet público y puedes solicitar GPUs dedicadas para garantizar un rendimiento constante. Imagina una mutualista que analiza la correspondencia de sus socios: no quiere operar un clúster de GPUs, pero sus datos de salud no pueden viajar por una ruta pública. Esta opción está diseñada exactamente para este tipo de situaciones, donde la sensibilidad de los datos es real pero la empresa no quiere convertirse en operadora de infraestructura.

Self-Hosted: control total

La opción Self-Hosted pone toda la infraestructura en tus manos. Mistral proporciona los pesos del modelo —pesos abiertos, mayoritariamente bajo la licencia Apache 2.0— y tú gestionas el despliegue utilizando motores de inferencia como vLLM o TensorRT-LLM.

# Ejemplo: servir Mistral con vLLM
vllm serve mistralai/Mistral-Nemo-Instruct-2407 \
    --tokenizer_mode mistral \
    --config_format mistral \
    --load_format mistral

Este es el enfoque más exigente, ya que te hace responsable de las GPUs, las actualizaciones y la disponibilidad. Sin embargo, te otorga control total sobre los datos, la red y el rendimiento. Volveremos a esto en detalle en la sección de Autoalojamiento, en las lecciones 10 a 13.

Alternativas al Studio: nubes de terceros

AI Studio no es el único punto de entrada. Si tu empresa ya ha consolidado la facturación, el acceso y el cumplimiento normativo con un proveedor de nube, a menudo es más rápido consumir Mistral allí que abrir un contrato adicional. Seis proveedores distribuyen los modelos: Azure AI de Microsoft, que los expone como Modelo como Servicio; Google Cloud Vertex AI, la plataforma unificada de ML de Google; Amazon Bedrock, el servicio gestionado de AWS; Snowflake Cortex, que integra la IA directamente en Snowflake; IBM watsonx.ai, la plataforma de IA empresarial de IBM; y Outscale, un proveedor de nube europeo.

Detallaremos estas opciones de nube en las lecciones 4 a 9. Antes de avanzar, sitúa tu propio proyecto en la tabla anterior: la respuesta a «¿quién debe operar las GPUs?» suele eliminar dos de las tres columnas.

Puntos clave

  • AI Studio es el centro neurálgico para gestionar tus modelos de Mistral, claves de API y organizaciones
  • Tres niveles de despliegue: Serverless (rápido), Dedicated (aislado), Self-Hosted (control total)
  • Tu elección depende de tus restricciones: presupuesto, seguridad de los datos, latencia y volumen
  • Las nubes de terceros ofrecen una alternativa para quienes ya están integrados en un ecosistema existente