Ir al contenido principal
Español— Elegir un idioma
Menú

Introducción a la visión artificial con Mistral

Lección 1 de 14 Actualizado el 2 de noviembre de 2026 Principiante
En esta página
  1. Cuando los modelos de IA aprenden a ver
  2. Por qué la visión lo cambia todo
  3. Modelos de visión de Mistral
  4. Qué aprenderás en esta sección
  5. Puntos clave

Actualización del 2 de noviembre de 2026 — Le Chat pasa a llamarse Vibe. Desde el 28 de mayo de 2026, Le Chat se ha renombrado como Vibe (sigue disponible en chat.mistral.ai): un único agente para el trabajo y la programación que conserva tus conversaciones, configuraciones y suscripciones. La experiencia heredada de Le Chat sigue accesible en el modo Chat; en el modo Work, los agentes se han convertido en habilidades (que se invocan con @), las memorias forman la base de conocimientos y la búsqueda profunda es ahora la habilidad Deep Research. Los planes se llaman ahora Mistral Free, Pro, Team y Enterprise. Esta lección utiliza el nombre Vibe; ten en cuenta que algunos menús descritos aquí pueden haber cambiado de nombre o de ubicación.

Cuando los modelos de IA aprenden a ver

Hasta hace poco, los asistentes de IA solo entendían texto. Podías hacerles preguntas, pedirles que redactaran un correo electrónico o resumir un documento, pero mostrarles una foto para obtener un análisis significativo era imposible. Con los modelos multimodales de Mistral AI, esa limitación es cosa del pasado. Este es probablemente el cambio más tangible que notarás en tu uso diario de la IA.

La visión artificial se refiere a la capacidad de un modelo de lenguaje para analizar el contenido visual de una imagen (una foto, un gráfico, una captura de pantalla o un diagrama) y ofrecer una interpretación basada en texto. En la práctica, subes una imagen a Vibe (el asistente de Mistral) y el modelo responde como si realmente viera lo que le estás mostrando. No solo detecta formas; lee el texto dentro de la imagen, entiende la estructura de las tablas, sigue las tendencias de los gráficos y conecta todo ello con tu pregunta específica.

4+
Modelos de visión disponibles
9+
Idiomas de audio compatibles
OCR 3
Motor de reconocimiento de documentos
~90 ms
Latencia de TTS de Voxtral

Por qué la visión lo cambia todo

Imagina que recibes por correo electrónico un gráfico de ventas trimestral. Antes, tendrías que abrirlo en una hoja de cálculo, leer las cifras una por una e interpretar las tendencias; y si el gráfico fuera solo una imagen, ni siquiera tendrías acceso a los datos subyacentes. Ahora, puedes pegar esa imagen en Vibe y preguntar: «¿Cuál es la tendencia principal?» o «Compara el primer y el tercer trimestre». El modelo identifica los ejes, las leyendas y los valores, y luego ofrece una respuesta en lenguaje natural en cuestión de segundos.

Esta capacidad transforma muchos escenarios cotidianos. Ante una fotografía, el modelo describe el contenido e identifica objetos, ubicaciones o puntos de referencia; es útil cuando necesitas saber el nombre de una planta que has visto durante un paseo. Con un documento escaneado, lee el texto de una tarjeta de visita, un ticket o un formulario en papel, ahorrándote una tediosa introducción manual. En el caso de gráficos o diagramas, extrae datos clave de gráficos circulares o de barras como lo haría un analista. Y con una captura de pantalla, analiza una interfaz, descifra un mensaje de error o resume un panel de control; resulta invaluable cuando el software muestra un código de error incomprensible y necesitas saber qué hacer a continuación.

Modelos de visión de Mistral

Mistral ofrece varios modelos capaces de procesar imágenes. Aunque no tendrás que seleccionarlos manualmente, entender sus funciones respectivas ayuda. Mistral Large 3 es el modelo insignia y ofrece el mejor rendimiento para análisis visuales complejos; es tu opción predeterminada cuando la precisión es crucial, como al diseccionar un esquema técnico denso. Mistral Medium 3.1 logra un equilibrio excelente entre rendimiento y velocidad, lo que lo convierte en la elección natural para el uso diario en Vibe. Mistral Small 3.2 es más ligero: responde con rapidez manteniendo una calidad de análisis sólida, ideal para tareas sencillas como describir una foto. Por último, Ministral 3, disponible en versiones de 14B, 8B y 3B de parámetros, comprende los modelos más compactos de la gama, diseñados para respuestas rápidas en análisis visuales básicos.

Como usuario de Vibe, no seleccionas el modelo manualmente; la interfaz elige automáticamente el más adecuado para tu solicitud. Pero recuerda: detrás de cada imagen sencilla que sueltas en la conversación, hay una red neuronal multimodal trabajando. La sofisticación de esta red es precisamente la razón por la que entiende tan bien lo que le muestras.

Qué aprenderás en esta sección

Esta primera sección del curso te guía paso a paso en el uso de la visión artificial a través de Vibe de Mistral. Empezarás subiendo una imagen y haciendo preguntas sobre ella; luego pasarás a analizar gráficos y extraer datos de tablas. A continuación, verás cómo comparar varias imágenes dentro de una misma conversación antes de explorar casos de uso creativos que van más allá de la simple descripción de imágenes.

No se requieren habilidades técnicas. Si sabes usar Vibe para escribir un mensaje, ya sabes analizar una imagen: solo tienes que arrastrarla a la conversación.

Puntos clave

  • La visión artificial permite a los modelos de Mistral analizar imágenes además de texto
  • Hay varios modelos disponibles, desde el más potente (Large 3) hasta el más compacto (Ministral 3)
  • El análisis funciona con fotos, gráficos, documentos escaneados y capturas de pantalla
  • En Vibe, solo tienes que subir una imagen para empezar; no hace falta programar