Introducción a la visión mediante la API de Mistral
En esta página
Actualización 2 de noviembre de 2026 — modelos. Mistral Large 3 (
mistral-large-2512) y Mistral Medium 3.5 están obsoletos desde 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 aliasmistral-large-latest, que aún apunta a Mistral Large 3 según su especificación oficial (verificado el 3 de noviembre de 2026). De igual forma,mistral-medium-latestapunta a Mistral Medium 3.5. Estos alias seguirán siendo válidos hasta el 30 de abril de 2027. Para nuevos proyectos, pruebamistral-large-4, su sucesor designado.
¿Qué es la API de visión?
Los modelos de lenguaje ya no se detienen en el texto. Desde 2024, Mistral AI ofrece modelos multimodales capaces de analizar texto e imágenes simultáneamente. Esta capacidad, denominada Visión, cambia la naturaleza del trabajo que puedes automatizar: una factura fotografiada, una captura de pantalla de un cuadro de mandos o un diagrama técnico dejan de ser archivos adjuntos opacos que un humano debe abrir. En su lugar, se convierten en entradas que tu código consulta, exactamente igual que consultaría una cadena de texto.
El alcance es amplio: análisis de documentos, lectura de gráficos y extracción de datos visuales. Un despacho de contabilidad que recibe trescientos tickets escaneados al mes puede pedir al modelo que lea los importes; un equipo de producto puede describir automáticamente las capturas de pantalla enviadas por los usuarios. En este curso aprenderás a aprovechar la API de Visión de Mistral para integrar este tipo de análisis en tus aplicaciones Python. Cada lección combina una explicación del mecanismo con código listo para usar.
¿Por qué usar Mistral Vision?
El primer argumento es la ausencia de ruptura técnica. Llamas al mismo punto final chat.complete() que utilizas para texto: no hay que aprender una API separada ni instanciar un cliente distinto. Simplemente añades imágenes al mensaje. Un proyecto ya construido sobre generación de texto admite la visión sin necesidad de rediseño.
El segundo es la elección del modelo. Desde el más potente, Mistral Large 3, hasta el más ligero de la familia Ministral 3, ajustas la relación calidad/coste a tu caso: un modelo pesado para un análisis pormenorizado de un gráfico financiero, un modelo ligero para clasificar diez mil fotos por categoría. Realizas este ajuste en una sola línea de código, como verás en la lección 3.
Hay dos consideraciones estratégicas más. El formato del mensaje sigue el estándar similar al de OpenAI, lo que facilita la migración desde otro proveedor: el código para construir mensajes permanece prácticamente inalterado. Y dado que Mistral es una empresa francesa, tus datos pueden permanecer en Europa, un factor a menudo decisivo cuando las imágenes contienen información personal o contractual.
Modelos de visión disponibles
Cinco modelos de Mistral admiten visión. Cada uno se identifica mediante un ID de API que pasas al parámetro model.
| Modelo | ID de API | Caso de uso principal |
|---|---|---|
| Mistral Large 3 | mistral-large-2512 | Análisis complejo, máxima calidad |
| Mistral Medium 3.5 | mistral-medium-latest | Buen equilibrio calidad/velocidad |
| Mistral Small 4 | mistral-small-latest | Uso cotidiano, rápido y económico |
| Ministral 3 14B | ministral-14b-2512 | Computación en el borde, baja latencia |
| Ministral 3 8B | ministral-8b-2512 | Sistemas embebidos, recursos limitados |
Todos estos modelos aceptan imágenes como entrada a través de la API de Chat Completions. En otras palabras, el código que estás a punto de escribir funcionará de forma idéntica con los cinco.
En esta tabla coexisten dos formas de identificadores, y elegir entre ellas es una decisión arquitectónica. Los alias -latest siguen automáticamente la versión actual del modelo: tus llamadas se benefician de mejoras sin tocar tu código, a costa de un comportamiento que puede evolucionar bajo tus pies. Los identificadores fechados como mistral-large-2512 anclan una versión específica: el comportamiento permanece estable, pero debes seguir las obsolescencias. Usa el alias para un prototipo; para una canalización de producción con salidas validadas, ancla la versión y planifica tus actualizaciones.
Tu primera llamada de visión
Aquí tienes un ejemplo mínimo para enviar una imagen a Mistral y obtener una descripción:
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)
Un detalle distingue esta llamada de una llamada de texto estándar y merece atención: el campo content del mensaje de usuario es un array (una lista) en lugar de una simple cadena. Esta estructura es lo que permite mezclar texto e imágenes en un mismo turno.
Estructura de un mensaje multimodal
Un mensaje estándar solo de texto cabe en una línea:
{"role": "user", "content": "Hello, how are you?"}
Un mensaje multimodal sustituye esa cadena por una lista de elementos tipados, cada uno anunciado por su campo type:
{
"role": "user",
"content": [
{"type": "text", "text": "Your question here"},
{"type": "image_url", "image_url": "URL or data URI of the image"}
]
}
Nada te obliga a limitarte a un elemento de cada tipo. Puedes incluir múltiples elementos text e image_url en un solo mensaje. Esto es precisamente lo que te permite, por ejemplo, presentar una imagen de referencia y luego una imagen para comparar, introduciendo cada una con una frase. Lo veremos en detalle en las siguientes lecciones.
Qué aprenderás en este curso
Este curso de 12 lecciones progresa del mecanismo a la aplicación. Las lecciones 1 a 3 cubren los modelos multimodales: qué ocurre realmente cuando una imagen entra en el modelo y cómo elegir el que se ajusta a tu carga de trabajo. Las lecciones 4 a 6 tratan el envío de imágenes, por URL, en Base64 y, posteriormente, múltiples imágenes en un solo mensaje. Las lecciones 7 a 10 recorren casos de uso concretos: análisis de gráficos, OCR, extracción estructurada y comparación de imágenes. Las lecciones 11 y 12 cierran el tema con los límites, la optimización de costes y las posibles extensiones.
Puntos clave
- La API de Visión de Mistral utiliza el mismo punto final que el chat de texto
- El mensaje de usuario se convierte en un array que contiene elementos
texteimage_url - Cinco modelos admiten visión, desde el más potente hasta el más ligero
- Mistral es una opción relevante para proyectos que requieren soberanía de datos europea