Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Migrer depuis Magistral

Lezione 8 di 12 Aggiornata il 2 novembre 2026 Sviluppatore
In questa pagina
  1. Où en est ton code ?
  2. Tableau de correspondance
  3. Ce qui change dans le code
  4. Valider la migration
  5. Tirer le meilleur parti de la migration
  6. Punti chiave

Leçon réécrite le 2 novembre 2026. Cette leçon décrivait à l’origine le raisonnement « toujours actif » de Magistral. Puisque tous les modèles Magistral ont été retirés le 31 juillet 2026, elle couvre désormais la migration vers reasoning_effort. Sources : Models — deprecated and removed models · Reasoning · Native reasoning (deprecated).

Où en est ton code ?

Les dernières versions de Magistral, Small 1.2 et Medium 1.2 (-2509), ont été dépréciées au printemps 2026 et retirées le 31 juillet 2026 ; les versions 1.0 et 1.1 avaient déjà été retirées le 30 novembre 2025. Tout code appelant encore magistral-small-latest, magistral-medium-latest ou un identifiant daté de cette famille cible un modèle qui n’existe plus. La migration n’est plus une question de planification, c’est une action à mener immédiatement.

Tableau de correspondance

Tu utilisaisRemplacement désigné par MistralNotre recommandation actuelle
Magistral Small (1.0, 1.1, 1.2)Mistral Small 4mistral-small-2603 avec reasoning_effort="high"
Magistral Medium (1.0, 1.1, 1.2)Mistral Medium 3.5Small 4 si la qualité suffit, sinon mistral-large-4-0 avec reasoning_effort="high"

Pourquoi ne pas suivre à la lettre le remplacement désigné par Mistral pour Magistral Medium ? Parce que Mistral Medium 3.5 est lui-même déprécié depuis le 31 octobre 2026, avec un retrait prévu le 30 avril 2027, et que Large 4 lui succède. Migrer vers cela signifie s’engager dans une seconde migration six mois plus tard. Large 4 est en Public Preview : si ce niveau de maturité ne convient pas à ton environnement de production, Medium 3.5 reste une étape possible, à condition de planifier dès maintenant le prochain basculement.

Ce qui change dans le code

Magistral raisonnait toujours ; les modèles actuels ne raisonnent que lorsque tu le leur demandes. L’équivalent naturel du « toujours actif » est donc reasoning_effort="high".

# Avant : Magistral (retiré)
response = client.chat.complete(
    model="magistral-medium-latest",
    messages=[
        {"role": "system", "content": "You are a rigorous analyst."},
        {"role": "user", "content": question},
    ],
    prompt_mode=None,   # désactivait le prompt système par défaut de Magistral
)

# Après : Mistral Large 4 avec raisonnement explicite
response = client.chat.complete(
    model="mistral-large-4-0",
    messages=[
        {"role": "system", "content": "You are a rigorous analyst."},
        {"role": "user", "content": question},
    ],
    reasoning_effort="high",
)

Quatre points à traiter en cours de route :

  1. Identifiants de modèle : recherche magistral dans ton code, tes fichiers de configuration et tes variables d’environnement.
  2. prompt_mode : la documentation sur le raisonnement n’en parle plus ; retire-le de tes appels.
  3. Prompts système : supprime le modèle de raisonnement spécifique à Magistral (le fragment thinking placé dans le message système) et ne conserve que les instructions de méthode et de format (Leçon 6).
  4. Lecture des réponses : la structure de Magistral 25.07 et 25.09 (ThinkChunk puis TextChunk) correspond aux modèles actuels, donc ton code de lecture reste valide. Ajoute simplement la gestion du cas chaîne de caractères simple, que Small 4 et Medium 3.5 renvoient lorsque reasoning_effort="none". Si ton code venait de Magistral 25.06 et cherchait les balises <think> dans le texte, remplace-le par la fonction separer de la Leçon 3.

Valider la migration

Ne bascule pas à l’aveugle. Rejoue un échantillon de tes cas réels, accompagnés de leurs réponses de référence, et compare trois métriques : la qualité (précision, respect du format), les tokens consommés (usage.completion_tokens) et la latence. Un script simple fait l’affaire :

import time

def comparer(client, cas, configs):
    """cas: liste de (question, verifier); configs: liste de (model, niveau)."""
    for model, niveau in configs:
        justes = tokens = 0
        debut = time.perf_counter()
        for question, verifier in cas:
            r = client.chat.complete(
                model=model,
                messages=[{"role": "user", "content": question}],
                reasoning_effort=niveau,
            )
            _, reponse = separer(r.choices[0].message.content)
            justes += bool(verifier(reponse))
            tokens += r.usage.completion_tokens
        duree = time.perf_counter() - debut
        print(f"{model} ({niveau}) : {justes}/{len(cas)} correct, {tokens} tokens, {duree:.0f} s")

comparer(client, mes_cas, [
    ("mistral-small-2603", "high"),
    ("mistral-large-4-0", "medium"),
    ("mistral-large-4-0", "high"),
])

La fonction verifier dépend de ton domaine : comparaison avec une valeur attendue, présence d’éléments requis ou validation JSON. C’est ce qui transforme une impression en décision.

Tirer le meilleur parti de la migration

Puisque tu modifies de toute façon chaque appel de modèle, profite-en pour figer les identifiants datés en production (mistral-small-2603 plutôt que mistral-small-latest) et pour centraliser le choix du modèle et du niveau de raisonnement dans une configuration unique. La prochaine dépréciation — et il y en aura une — ne sera alors qu’une correction en une ligne.

Punti chiave

  • Magistral a été retiré le 31 juillet 2026 : tout appel restant cible un modèle indisponible
  • Magistral Small → Small 4 ; Magistral Medium → Small 4 ou Large 4 plutôt que Medium 3.5, lui-même déprécié
  • « Toujours actif » se traduit par reasoning_effort="high"
  • Supprime prompt_mode et le modèle de raisonnement des prompts système
  • Valide sur tes cas réels (qualité, tokens, latence), puis fige les identifiants datés