Modelli supportati e compatibilità
In questa pagina
Compatibilità dei modelli Mistral
Non tutti i modelli Mistral gestiscono gli output strutturati allo stesso modo. Prima di scrivere una singola riga di codice, verifica che il modello target supporti l’approccio scelto. Questo controllo di trenta secondi ti evita di incappare in un errore API incomprensibile alla fine dello sviluppo.
Ecco la buona notizia in una frase: quasi tutti i modelli Mistral supportano gli output strutturati, sia in Modalità JSON che con Output Strutturati Personalizzati. L’unica eccezione, codestral-mamba, è stata ritirata da Mistral nel giugno 2025.
Modelli principali
Ecco i modelli più utilizzati e il loro stato di compatibilità (ad aprile 2026):
| Modello | Compatibilità | Caso d’uso tipico |
|---|---|---|
mistral-large-latest | Supporto completo (Modalità JSON + Personalizzato) | Compiti complessi che richiedono output strutturati affidabili |
mistral-medium-latest | Supporto completo | Miglior rapporto prestazioni/costo per pipeline di produzione |
mistral-small-latest | Supporto completo | Compiti semplici (classificazione, estrazione base di entità) con budget limitato |
ministral-8b-latest | Supporto completo | Estrazioni leggere con latenza minima |
ministral-3b-latest | Supporto completo | L’opzione più leggera quando la velocità prevale sulla complessità |
codestral-latest | Supporto completo | Ottimizzato per il codice, ma funziona anche per compiti non legati al codice |
mistral-embed | Non applicabile | Modello di embedding; non genera testo |
I modelli generalisti Large, Medium e Small coprono la maggior parte delle esigenze, mentre la famiglia Ministral gestisce i vincoli di latenza.
Scegliere il modello giusto
Durante la prototipazione, usa mistral-small-latest o ministral-8b-latest. Sono veloci, economici e più che sufficienti per validare che il tuo schema regga e che il tuo prompt dica esattamente ciò che pensi dica. Pagare per il modello più potente solo per scoprire che un campo è stato nominato male è uno spreco.
# Prototipazione — modello leggero
response = client.chat.parse(
model="ministral-8b-latest",
messages=messages,
response_format=MonSchema
)
In produzione i criteri cambiano. L’estrazione multi-campo, l’analisi del sentiment sfumata o la classificazione fine giustificano mistral-large-latest. Al contrario, un compito semplice elaborato ad alto volume gira ancora bene su mistral-small-latest. Nota l’aggiunta di temperature=0 qui; approfondiremo questo parametro più avanti.
# Produzione — modello potente
response = client.chat.parse(
model="mistral-large-latest",
messages=messages,
response_format=MonSchema,
temperature=0 # Massima riproducibilità
)
Infine, considera le pipeline ad alta frequenza dove la latenza è il vincolo dominante. Se stai elaborando migliaia di richieste al minuto, come la classificazione di ticket o lo smistamento email, ministral-8b-latest offre il miglior rapporto latenza-qualità. Limitare maxTokens impedisce al modello di soffermarsi su risposte eccessivamente lunghe.
// TypeScript — pipeline ad alta frequenza
const response = await client.chat.parse({
model: "ministral-8b-latest",
messages,
responseFormat: MonSchema,
maxTokens: 128, // Limite per la velocità
});
Il parametro temperature
Un punto merita la tua attenzione: temperature influenza la variabilità dell’output anche in modalità strutturata. A 0, l’output è deterministico. Questa è l’impostazione raccomandata per la produzione e ovunque la riproducibilità conti: due esecuzioni sullo stesso documento devono produrre lo stesso record. Tra 0.1 e 0.3, introduci una leggera variabilità, utile solo se desideri formulazioni diverse nei campi di testo libero come un riassunto. Da 0.7 in su, la variabilità diventa forte e il modello può produrre valori incoerenti. Evitalo con gli output strutturati.
Verifica della compatibilità a livello di codice
In produzione, invece di affidarti a un elenco statico, intercetta l’errore restituito dall’SDK quando un modello non può soddisfare la richiesta:
from mistralai.client import Mistral
from mistralai.client.errors import SDKError
client = Mistral(api_key=api_key)
try:
response = client.chat.parse(
model=modele, # identificatore letto dalla tua configurazione
messages=[{"role": "user", "content": "Test"}],
response_format=MonSchema
)
except SDKError as e:
print(f"Modello non compatibile: {e}")
Questa abitudine rimane preziosa nel tempo. Mistral rilascia regolarmente nuovi modelli e il supporto agli output strutturati è diventato uno standard che le nuove generazioni supportano sistematicamente. Consulta la documentazione ufficiale per l’elenco aggiornato prima di fissare un identificatore nella tua configurazione.
Punti chiave
- I modelli Mistral attuali supportano gli output strutturati; l’eccezione storica,
codestral-mamba, è stata ritirata nel giugno 2025 - Usa
temperature: 0in produzione per output riproducibili - Scegli il modello in base alle tue esigenze:
mistral-largeper la qualità,ministral-8bper la velocità - Entrambi gli approcci (Modalità JSON e Personalizzato) sono supportati dagli stessi modelli