Ir al contenido principal
Español— Elegir un idioma
Menú

Modelos compatibles y compatibilidad

Lección 3 de 12 Actualizado el 2 de noviembre de 2026 Desarrollador
En esta página
  1. Compatibilidad de los modelos de Mistral
  2. Modelos principales
  3. Elección del modelo adecuado
  4. El parámetro temperature
  5. Comprobación de la compatibilidad mediante programación
  6. Puntos clave

Compatibilidad de los modelos de Mistral

No todos los modelos de Mistral gestionan las salidas estructuradas de la misma manera. Antes de escribir una sola línea de código, verifica que el modelo objetivo admite el enfoque que has elegido. Esta comprobación de treinta segundos te evita encontrarte con un error de API incomprensible al final del desarrollo.

Aquí tienes la buena noticia en una frase: casi todos los modelos de Mistral admiten salidas estructuradas, tanto en Modo JSON como en Salidas Estructuradas Personalizadas. La única excepción, codestral-mamba, fue retirada por Mistral en junio de 2025.

Modelos principales

Estos son los modelos más utilizados y su estado de compatibilidad (a fecha de abril de 2026):

ModeloCompatibilidadCaso de uso típico
mistral-large-latestSoporte completo (Modo JSON + Personalizado)Tareas complejas que requieren salidas estructuradas fiables
mistral-medium-latestSoporte completoMejor equilibrio rendimiento/coste para pipelines de producción
mistral-small-latestSoporte completoTareas sencillas (clasificación, extracción básica de entidades) con presupuesto limitado
ministral-8b-latestSoporte completoExtracciones ligeras con latencia mínima
ministral-3b-latestSoporte completoLa opción más ligera cuando la velocidad prima sobre la complejidad
codestral-latestSoporte completoOptimizado para código, pero funciona también para tareas que no son de código
mistral-embedNo aplicableModelo de incrustaciones; no genera texto

Los modelos de propósito general Large, Medium y Small cubren la mayoría de las necesidades, mientras que la familia Ministral se encarga de las restricciones de latencia.

Elección del modelo adecuado

Durante la creación de prototipos, utiliza mistral-small-latest o ministral-8b-latest. Son rápidos, económicos y más que suficientes para validar que tu esquema es correcto y que tu prompt dice lo que crees que dice. Pagar por el modelo más potente solo para descubrir que un campo tenía un nombre incorrecto es un desperdicio.

# Creación de prototipos — modelo ligero
response = client.chat.parse(
    model="ministral-8b-latest",
    messages=messages,
    response_format=MonSchema
)

En producción, los criterios cambian. La extracción de múltiples campos, el análisis de sentimientos matizado o la clasificación de grano fino justifican el uso de mistral-large-latest. Por el contrario, una tarea sencilla procesada en gran volumen sigue funcionando bien en mistral-small-latest. Observa la adición de temperature=0 aquí; cubriremos ese parámetro en detalle más adelante.

# Producción — modelo potente
response = client.chat.parse(
    model="mistral-large-latest",
    messages=messages,
    response_format=MonSchema,
    temperature=0  # Máxima reproducibilidad
)

Por último, considera los pipelines de alta frecuencia donde la latencia es la restricción dominante. Si estás procesando miles de solicitudes por minuto, como la clasificación de tickets o la triaje de correos electrónicos, ministral-8b-latest ofrece la mejor relación latencia-calidad. Limitar maxTokens evita que el modelo se demore en respuestas excesivamente largas.

// TypeScript — pipeline de alta frecuencia
const response = await client.chat.parse({
  model: "ministral-8b-latest",
  messages,
  responseFormat: MonSchema,
  maxTokens: 128,  // Límite para velocidad
});

El parámetro temperature

Un punto merece tu atención: temperature influye en la variabilidad de la salida incluso en modo estructurado. En 0, la salida es determinista. Esta es la configuración recomendada para producción y para cualquier caso en el que la reproducibilidad sea importante: dos ejecuciones sobre el mismo documento deben generar el mismo registro. Entre 0.1 y 0.3, introduces una ligera variabilidad, lo cual solo es útil si deseas diferentes redacciones en campos de texto libre, como un resumen. A partir de 0.7, la variabilidad se vuelve fuerte y el modelo puede producir valores inconsistentes. Evita esto con salidas estructuradas.

Comprobación de la compatibilidad mediante programación

En producción, en lugar de depender de una lista estática, captura el error devuelto por el SDK cuando un modelo no puede satisfacer la solicitud:

from mistralai.client import Mistral
from mistralai.client.errors import SDKError

client = Mistral(api_key=api_key)

try:
    response = client.chat.parse(
        model=modele,  # identificador leído desde tu configuración
        messages=[{"role": "user", "content": "Test"}],
        response_format=MonSchema
    )
except SDKError as e:
    print(f"Modelo no compatible: {e}")

Este hábito sigue siendo valioso con el tiempo. Mistral publica regularmente nuevos modelos, y el soporte de salidas estructuradas se ha convertido en un estándar que las nuevas generaciones admiten sistemáticamente. Consulta la documentación oficial para obtener la lista actual antes de fijar un identificador en tu configuración.

Puntos clave

  • Los modelos actuales de Mistral admiten salidas estructuradas; la excepción histórica, codestral-mamba, fue retirada en junio de 2025
  • Utiliza temperature: 0 en producción para obtener salidas reproducibles
  • Elige tu modelo según tus necesidades: mistral-large para calidad, ministral-8b para velocidad
  • Ambos enfoques (Modo JSON y Personalizado) son compatibles con los mismos modelos