Réamhrá ar an Vision API trí Mistral
Ar an leathanach seo
Nuashonrú 2 Samhain 2026 — múnlaí. Tá Mistral Large 3 (
mistral-large-2512) agus Mistral Medium 3.5 tar éis dul in éag ón 31 Deireadh Fómhair 2026, agus scoirfear de bheith ag tacú leo ar an 30 Aibreán 2027. Is é Mistral Large 4 (mistral-large-4) an leagan oifigiúil a tháinig ina n-ionad, agus tá sé ar fáil le haghaidh réamhamhairc poiblí ón 6 Deireadh Fómhair. Úsáideann na samplaí sa chúrsa seo an t-ailiasmistral-large-latest, a thagraíonn fós do Mistral Large 3 de réir a sonraíochta oifigiúla (fíoraithe 3 Samhain 2026). Ar an gcaoi chéanna, tagraíonnmistral-medium-latestdo Mistral Medium 3.5. Fanfaidh na hailiasanna seo bailí go dtí an 30 Aibreán 2027. Maidir le tionscadail nua, déan tástáil armistral-large-4, an leagan a tháinig ina n-ionad.
Cad é an Vision API?
Ní stopann múnlaí teanga ag téacs a thuilleadh. Ó 2024 i leith, tá múnlaí ilmhóideacha ar fáil ó Mistral AI atá in ann téacs agus íomhánna a anailísiú ag an am céanna. Athraíonn an cumas seo, ar a dtugtar Vision, cineál na hoibre is féidir leat a uathoibriú: ní fhanann sonrasc grianghrafaithe, scáileán de dhaisbhord, nó léaráid theicniúil ina gceangaltáin dhofheicthe nach mór do dhuine a oscailt. Ina ionad sin, éiríonn siad ina n-ionchuir a fhiafraíonn do chód díobh, díreach mar a dhéanfadh sé le teaghrán.
Tá an raon feidhme leathan: anailís ar dhoiciméid, léamh cairteacha, agus eastóscadh sonraí amhairc. Is féidir le gnólacht cuntasaíochta a fhaigheann trí chéad glacadóir scantha in aghaidh na míosa iarraidh ar an múnla na suimeanna a léamh; is féidir le foireann táirge cur síos a dhéanamh go huathoibríoch ar scáileáin a chuireann úsáideoirí isteach. Sa chúrsa seo, foghlaimeoidh tú conas an Mistral Vision API a úsáid chun an cineál anailíse seo a chomhtháthú i d’fheidhmchláir Python. Comhcheanglaíonn gach ceacht míniú ar an meicníocht le cód atá réidh le húsáid.
Cén fáth Mistral Vision a úsáid?
Is é an chéad argóint ná nach mbíonn aon mhí-oiriúnú teicniúil i gceist. Glaoíonn tú ar an bpointe deiridh chat.complete() céanna a úsáidtear le haghaidh téacs: níl aon API ar leith le foghlaim, ná cliant ar leith le tosú. Ní dhéanann tú ach íomhánna a chur leis an teachtaireacht. Oiriúnaíonn tionscadal atá tógtha cheana féin ar ghiniúint téacs an vision gan athdhearadh.
Is é an dara pointé ná roghnú an mhúnla. Ón gceann is cumhachtaí, Mistral Large 3, go dtí an ceann is éadroime i dteaghlach Ministral 3, coigeartaíonn tú an comhréir idir cáilíocht agus costas de réir do cháis: múnla trom le haghaidh anailíse mionchruinne ar chairt airgeadais, múnla éadrom chun deich míle grianghraf a shórtáil de réir catagóire. Déanann tú an coigeartú seo i líne amháin cóid, mar a fheicfidh tú i gCeacht 3.
Tá dhá bhreithniú straitéiseacha eile i gceist freisin. Leanann formáid na teachtaireachta an caighdeán cosúil le OpenAI, rud a éascaíonn imirce ó sholáthraí eile: fanann an cód chun teachtaireachtaí a thógáil beagnach gan athrú. Agus toisc gur cuideachta Fhrancach é Mistral, is féidir le do chuid sonraí fanacht san Eoraip, rud a bhíonn cinntitheach go minic nuair a bhíonn faisnéis phearsanta nó chonarthach in íomhánna.
Múnlaí Vision atá ar fáil
Tacaíonn cúig mhúnla Mistral le vision. Sainaithnítear gach ceann acu le ID API a chuireann tú isteach sa pharaiméadar model.
| Múnla | ID API | Príomhchás Úsáide |
|---|---|---|
| Mistral Large 3 | mistral-large-2512 | Anailís chasta, an cháilíocht is airde |
| Mistral Medium 3.5 | mistral-medium-latest | Cothromaíocht mhaith idir cáilíocht agus luas |
| Mistral Small 4 | mistral-small-latest | Úsáid laethúil, tapa agus eacnamaíoch |
| Ministral 3 14B | ministral-14b-2512 | Ríomhaireacht imeallach, moill íseal |
| Ministral 3 8B | ministral-8b-2512 | Córais leabaithe, acmhainní teoranta |
Glacann na múnlaí seo go léir le híomhánna mar ionchur trí API Chat Completions. Le focal eile, oibreoidh an cód atá tú ar tí a scríobh go díreach mar an gcéanna leis an gcúig cinn.
Tá dhá fhoirm aitheantais i gcomhfhreagras sa tábla seo, agus is cinneadh ailtireachta é an roghnú eatarthu. Leanann na hailiasanna -latest an leagan reatha den mhúnla go huathoibríoch: baineann do ghlaotha tairbhe as feabhsuithe gan do chód a athrú, ach tá an baol ann go n-athróidh an iompar fút. Pinneann aitheantóirí dátaithe cosúil le mistral-large-2512 leagan sonrach: fanann an t-iompar cobhsaí, ach ní mór duit súil a choinneáil ar dhíothuithe. Úsáid an t-ailias le haghaidh prótatíopa; le haghaidh píblíne táirgeachta a bhfuil aschuir bailíochtaithe aici, pin an leagan agus pleanáil do chuid uasghráduithe.
Do Chéad Ghla Vision
Seo sampla íosta chun íomhá a sheoladh chuig Mistral agus cur síos a fháil:
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)
Tá mionsonra amháin a idirdhealaíonn an glao seo ó ghlao téacs caighdeánach, agus tá sé fiúntach aird a thabhairt air: is eagar (liosta) é réimse content na teachtaireachta úsáideora in ionad teaghráin shimplí. Is é an struchtúr seo a ligeann duit téacs agus íomhánna a mheascadh in aon chasadh amháin.
Struchtúr Teachtaireachta Ilmhóidí
Oiriúnaíonn teachtaireacht chaighdeánach atá bunaithe ar théacs amháin ar líne amháin:
{"role": "user", "content": "Hello, how are you?"}
Cuireann teachtaireacht ilmhóideach liosta d’eilimintí de chineálacha éagsúla in ionad an teaghráin sin, agus fógraítear gach ceann acu lena réimse type:
{
"role": "user",
"content": [
{"type": "text", "text": "Your question here"},
{"type": "image_url", "image_url": "URL or data URI of the image"}
]
}
Níl aon rud a chuireann bac ort teorainn a chur le heilimint amháin de gach cineál. Is féidir leat iliomad eilimintí text agus image_url a chur san áireamh in aon teachtaireacht amháin. Is é seo go díreach a ligeann duit, mar shampla, íomhá thagartha a chur i láthair agus ansin íomhá le comparáid a dhéanamh uirthi, agus gach ceann acu a thabhairt isteach le habairt. Pléifimid é seo go mion sna ceachtanna seo a leanas.
Cad a Fhoghlaimeoidh tú sa Chúrsa Seo
Déanann an cúrsa 12 cheacht seo dul chun cinn ón meicníocht go dtí an feidhmchlár. Clúdaíonn Ceachtanna 1 go 3 múnlaí ilmhóideacha: cad a tharlaíonn go díreach nuair a théann íomhá isteach sa mhúnla, agus conas an ceann is oiriúnaí do d’ualach oibre a roghnú. Clúdaíonn Ceachtanna 4 go 6 seoladh íomhánna, trí URL, i mBase64, agus ansin iliomad íomhánna in aon teachtaireacht amháin. Treoraíonn Ceachtanna 7 go 10 tú trí chásanna úsáide concreiteacha—anailís ar chairteacha, OCR, eastóscadh struchtúrtha, agus comparáid íomhánna. Críochnaíonn Ceachtanna 11 agus 12 an t-ábhar le teorainneacha, optamú costais, agus leathnú féideartha.
Príomhphointí
- Úsáideann Mistral Vision API an pointe deiridh céanna le comhrá téacs
- Éiríonn an teachtaireacht úsáideora ina eagar ina bhfuil eilimintí
textagusimage_url - Tacaíonn cúig mhúnla le vision, ón gceann is cumhachtaí go dtí an ceann is éadroime
- Is rogha ábhartha é Mistral do thionscadail a éilíonn ceannasacht sonraí Eorpacha