Uvod u Vision putem Mistral API-ja
Na ovoj stranici
Ažuriranje 2. studenoga 2026. — modeli. Mistral Large 3 (
mistral-large-2512) i Mistral Medium 3.5 su povučeni iz upotrebe od 31. listopada 2026., a bit će trajno ukinuti 30. travnja 2027. Njihov nasljednik, Mistral Large 4 (mistral-large-4), dostupan je u javnoj pretpreglednoj verziji od 6. listopada. Primjeri u ovom tečaju koriste aliasmistral-large-latest, koji prema službenoj specifikaciji još uvijek pokazuje na Mistral Large 3 (provjereno 3. studenoga 2026.). Slično tome,mistral-medium-latestpokazuje na Mistral Medium 3.5. Ovi aliasi ostat će valjani do 30. travnja 2027. Za nove projekte testirajtemistral-large-4, njihovog namjenskog nasljednika.
Što je Vision API?
Jezični modeli više ne staju samo na tekstu. Mistral AI od 2024. nudi multimodalne modele sposobne istovremeno analizirati tekst i slike. Ta mogućnost, nazvana Vision, mijenja prirodu posla koji možeš automatizirati: fotografirani račun, snimka zaslona nadzorne ploče ili tehnički dijagram više nisu neprozirni privitci koje čovjek mora otvoriti. Umjesto toga, oni postaju ulazni podaci koje tvoj kod upituje, baš kao što bi upitao niz znakova.
Opseg je širok: analiza dokumenata, čitanje grafikona i vizualna ekstrakcija podataka. Računovodstvena tvrtka koja mjesečno primi tristo skeniranih računa može od modela zatražiti da očita iznose; tim za razvoj proizvoda može automatski opisati snimke zaslona koje su poslali korisnici. U ovom ćeš tečaju naučiti iskoristiti Mistral Vision API za integraciju ove vrste analize u svoje Python aplikacije. Svaka lekcija kombinira objašnjenje mehanizma s kodom spremnim za uporabu.
Zašto koristiti Mistral Vision?
Prvi argument je izostanak tehničkog poremećaja. Pozivaš istu krajnju točku chat.complete() koju koristiš za tekst: nema zasebnog API-ja za učenje, nema posebnog klijenta za instanciranje. Jednostavno dodaješ slike u poruku. Projekt već izgrađen na generiranju teksta prihvaća vision bez potrebe za redizajnom.
Drugi je izbor modela. Od najmoćnijeg, Mistral Large 3, do najlakšeg iz obitelji Ministral 3, prilagođavaš omjer kvalitete i cijene svom slučaju: teški model za detaljnu analizu financijskog grafikona, lagani model za sortiranje deset tisuća fotografija po kategorijama. Tu prilagodbu vršiš u jednom retku koda, kao što ćeš vidjeti u Lekciji 3.
Primjenjuju se još dva strateška razmatranja. Format poruke slijedi standard sličan OpenAI-jevom, što olakšava migraciju s drugog pružatelja usluga: kod za izgradnju poruka ostaje gotovo nepromijenjen. A budući da je Mistral francuska tvrtka, tvoji podaci mogu ostati u Europi, što je često odlučujući čimbenik kada slike sadrže osobne ili ugovorne informacije.
Dostupni Vision modeli
Pet Mistralovih modela podržava vision. Svaki je identificiran API ID-jem koji prosljeđuješ parametru model.
| Model | API ID | Primarna namjena |
|---|---|---|
| Mistral Large 3 | mistral-large-2512 | Složena analiza, najviša kvaliteta |
| Mistral Medium 3.5 | mistral-medium-latest | Dobar omjer kvalitete i brzine |
| Mistral Small 4 | mistral-small-latest | Svakodnevna upotreba, brz i ekonomičan |
| Ministral 3 14B | ministral-14b-2512 | Rubno računarstvo (edge computing), mala latencija |
| Ministral 3 8B | ministral-8b-2512 | Ugrađeni sustavi, ograničeni resursi |
Svi ovi modeli prihvaćaju slike kao ulaz putem Chat Completions API-ja. Drugim riječima, kod koji ćeš napisati radit će identično sa svih pet modela.
U ovoj tablici sužive dva oblika identifikatora, a odabir između njih arhitektonska je odluka. Aliasi s -latest automatski prate trenutnu verziju modela: tvoji pozivi imaju koristi od poboljšanja bez diranja koda, uz cijenu ponašanja koje se može mijenjati pod tvojim nogama. Datirani identifikatori poput mistral-large-2512 fiksiraju specifičnu verziju: ponašanje ostaje stabilno, ali moraš pratiti povlačenja iz upotrebe. Koristi alias za prototip; za produkcijski pipeline s validiranim izlazima, fiksiraj verziju i isplaniraj nadogradnje.
Tvoj prvi Vision poziv
Evo minimalnog primjera slanja slike Mistralu i dobivanja opisa:
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)
Jedan detalj razlikuje ovaj poziv od standardnog tekstualnog poziva i zaslužuje pažnju: polje content korisničke poruke je niz (lista) umjesto jednostavnog niza znakova. Ta struktura omogućuje miješanje teksta i slika u jednom krugu razgovora.
Struktura multimodalne poruke
Standardna poruka koja sadrži samo tekst staje u jedan red:
{"role": "user", "content": "Hello, how are you?"}
Multimodalna poruka zamjenjuje taj niz s listom tipiziranih elemenata, od kojih je svaki najavljen svojim poljem type:
{
"role": "user",
"content": [
{"type": "text", "text": "Your question here"},
{"type": "image_url", "image_url": "URL or data URI of the image"}
]
}
Ništa te ne prisiljava da se ograničiš na jedan element svake vrste. U jednu poruku možeš uključiti više elemenata text i image_url. To ti upravo omogućuje, na primjer, da prezentiraš referentnu sliku, a zatim sliku za usporedbu, uvodeći svaku rečenicom. To ćemo detaljno obraditi u sljedećim lekcijama.
Što ćeš naučiti u ovom tečaju
Ovaj tečaj od 12 lekcija napreduje od mehanizma do primjene. Lekcije 1 do 3 pokrivaju multimodalne modele: što se točno događa kada slika uđe u model i kako odabrati onaj koji odgovara tvom opterećenju. Lekcije 4 do 6 pokrivaju slanje slika, putem URL-a, u Base64 formatu, a zatim i više slika u jednoj poruci. Lekcije 7 do 10 provode te kroz konkretne slučajeve upotrebe—analizu grafikona, OCR, strukturiranu ekstrakciju i usporedbu slika. Lekcije 11 i 12 zaokružuju temu s ograničenjima, optimizacijom troškova i mogućim proširenjima.
Ključne točke
- Mistral Vision API koristi istu krajnju točku kao tekstualni chat
- Korisnička poruka postaje niz koji sadrži elemente
textiimage_url - Pet modela podržava vision, od najmoćnijeg do najlakšeg
- Mistral je relevantan izbor za projekte koji zahtijevaju europski suverenitet podataka