Johdatus Visioniin Mistral API:n kautta
Tällä sivulla
Päivitys 2. marraskuuta 2026 — mallit. Mistral Large 3 (
mistral-large-2512) ja Mistral Medium 3.5 on poistettu käytöstä 31. lokakuuta 2026 lähtien, ja ne poistetaan kokonaan 30. huhtikuuta 2027. Niiden nimetty seuraaja, Mistral Large 4 (mistral-large-4), on ollut julkisessa esiversiossa 6. lokakuuta alkaen. Tämän kurssin esimerkit käyttävät aliastamistral-large-latest, joka osoittaa edelleen Mistral Large 3 -malliin sen virallisen spesifikaation mukaan (varmistettu 3. marraskuuta 2026). Vastaavastimistral-medium-latestosoittaa Mistral Medium 3.5 -malliin. Nämä aliakset pysyvät voimassa 30. huhtikuuta 2027 saakka. Uusissa projekteissa testaamistral-large-4:ää, niiden nimettyä seuraajaa.
Mikä on Vision API?
Kielimallit eivät enää pysähdy pelkkään tekstiin. Vuodesta 2024 lähtien Mistral AI on tarjonnut multimodaalisia malleja, jotka pystyvät analysoimaan tekstiä ja kuvia samanaikaisesti. Tätä kykyä, jota kutsutaan nimellä Vision, muuttaa automatisoitavan työn luonnetta: valokuvattu lasku, kojelaudan kuvakaappaus tai tekninen kaavio lakkaa olemasta läpinäkymätön liite, jonka ihmisen on avattava. Sen sijaan niistä tulee syötteitä, joita koodisi kyselyttää aivan kuten merkkijonoa.
Sovellusala on laaja: dokumenttianalyysi, kaavioiden luku ja visuaalinen datan erottelu. Kirjanpitotoimisto, joka vastaanottaa kuukausittain kolmesataa skannattua kuittia, voi pyytää mallia lukemaan summat; tuotetiimi voi automaattisesti kuvailla käyttäjien lähettämiä kuvakaappauksia. Tällä kurssilla opit hyödyntämään Mistral Vision API:ta integroidaksesi tämän tyyppisen analyysin Python-sovelluksiisi. Jokainen oppitunti yhdistää mekanismin selityksen valmiiksi kirjoitettuun koodiin.
Miksi käyttää Mistral Visionia?
Ensimmäinen peruste on teknisen häiriön puuttuminen. Kutset samaa chat.complete()-päätepistettä, jota käytetään tekstille: erillistä API:a ei tarvitse opetella, eikä erillistä client-oliota tarvitse alustaa. Lisäät vain kuvia viestiin. Projekti, joka on jo rakennettu tekstin generointiin, mukautuu visioon ilman uudelleensuunnittelua.
Toinen peruste on mallin valinta. Tehokkaimmasta, Mistral Large 3:sta, kevyimpään Ministral 3 -perheen malliin, säädät laatu/kustannus-suhteen tapaukseesi sopivaksi: raskas malli rahoituskaavion hienojakoiseen analyysiin, kevyt malli kymmenentuhannen valokuvan lajitteluun kategorioittain. Teet tämän säädön yhdellä koodirivillä, kuten näet oppitunnilla 3.
Kaksi muutakin strategista näkökohtaa pätee. Viestiformaatti noudattaa OpenAI:n kaltaista standardia, mikä helpottaa siirtymistä toiselta tarjoajalta: viestien rakentamiseen tarkoitettu koodi pysyy käytännössä muuttumattomana. Ja koska Mistral on ranskalainen yritys, datasi voi pysyä Euroopassa, mikä on usein ratkaiseva tekijä, kun kuvat sisältävät henkilökohtaista tai sopimuksiin liittyvää tietoa.
Käytettävissä olevat Vision-mallit
Viisi Mistral-mallia tukee visiota. Kukin niistä tunnistetaan API-tunnuksella, jonka välität model-parametrille.
| Malli | API-tunnus | Ensisijainen käyttötarkoitus |
|---|---|---|
| Mistral Large 3 | mistral-large-2512 | Monimutkainen analyysi, korkein laatu |
| Mistral Medium 3.5 | mistral-medium-latest | Hyvä laatu/nopeus-suhde |
| Mistral Small 4 | mistral-small-latest | Arkikäyttö, nopea ja taloudellinen |
| Ministral 3 14B | ministral-14b-2512 | Reunalaskenta, alhainen viive |
| Ministral 3 8B | ministral-8b-2512 | Upotetut järjestelmät, rajalliset resurssit |
Kaikki nämä mallit hyväksyvät kuvia syötteinä Chat Completions API:n kautta. Toisin sanoen koodi, jonka olet kirjoittamassa, toimii identtisesti kaikkien viiden kanssa.
Tässä taulukossa rinnakkain esiintyy kahdenlaisia tunnisteita, ja niiden välillä valitseminen on arkkitehtoninen päätös. -latest-aliakset seuraavat automaattisesti mallin nykyistä versiota: kutsusi hyötyvät parannuksista ilman koodin muuttamista, mutta käytös voi muuttua jalkojesi alla. Päivätyt tunnisteet, kuten mistral-large-2512, lukitsevat tietyn version: käytös pysyy vakaana, mutta sinun on seurattava vanhentumisia. Käytä aliasta prototyyppiä varten; tuotantoputkelle, jossa tulokset on validoitu, lukitse versio ja suunnittele päivityksesi.
Ensimmäinen Vision-kutsusi
Tässä on minimaalinen esimerkki kuvan lähettämisestä Mistralille ja kuvauksen saamisesta:
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)
Yksi yksityiskohta erottaa tämän kutsun tavallisesta tekstikutsusta, ja se ansaitsee huomion: käyttäjäviestin content-kenttä on taulukko (lista) pelkän merkkijonon sijaan. Tämä rakenne mahdollistaa tekstin ja kuvien sekoittamisen samassa vuorovaikutuksessa.
Multimodaalisen viestin rakenne
Tavallinen, vain tekstiä sisältävä viesti mahtuu yhdelle riville:
{"role": "user", "content": "Hello, how are you?"}
Multimodaalinen viesti korvaa tämän merkkijonon tyypitetyillä elementeillä varustetulla listalla, joista jokainen ilmoitetaan type-kentällään:
{
"role": "user",
"content": [
{"type": "text", "text": "Your question here"},
{"type": "image_url", "image_url": "URL or data URI of the image"}
]
}
Mikään ei pakota rajoittamaan itseäsi yhteen elementtiin kutakin tyyppiä kohti. Voit sisällyttää useita text- ja image_url-elementtejä samaan viestiin. Tämä on juuri se, mikä mahdollistaa esimerkiksi vertailukuvan esittämisen ja sen jälkeen vertailtavan kuvan näyttämisen, kummankin johdatteluna lause. Käymme tämän yksityiskohtaisesti läpi seuraavilla oppitunneilla.
Mitä opit tällä kurssilla
Tämä 12 oppitunnin kurssi etenee mekanismista sovellukseen. Oppitunnit 1–3 käsittelevät multimodaalisia malleja: mitä todella tapahtuu, kun kuva syötetään malliin, ja kuinka valita työkuormaasi sopiva malli. Oppitunnit 4–6 käsittelevät kuvien lähettämistä URL-osoitteen kautta, Base64-muodossa ja useita kuvia samassa viestissä. Oppitunnit 7–10 käyvät läpi konkreettisia käyttötapauksia: kaavioiden analyysi, OCR, strukturoitu erottelu ja kuvien vertailu. Oppitunnit 11 ja 12 päättävät aiheen käsittelyn rajoituksilla, kustannusten optimoinnilla ja mahdollisilla laajennuksilla.
Keskeiset asiat
- Mistral Vision API käyttää samaa päätepistettä kuin tekstikeskustelu
- Käyttäjäviestistä tulee taulukko, joka sisältää
text- jaimage_url-elementtejä - Viisi mallia tukee visiota, tehokkaimmasta kevyimpään
- Mistral on relevantti valinta projekteille, jotka vaativat eurooppalaista data-suvereniteettia