Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Modelli supportati e compatibilità

Lezione 3 di 12 Aggiornata il 2 novembre 2026 Sviluppatore
In questa pagina
  1. Compatibilità dei modelli Mistral
  2. Modelli principali
  3. Scegliere il modello giusto
  4. Il parametro temperature
  5. Verifica della compatibilità a livello di codice
  6. Punti chiave

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):

ModelloCompatibilitàCaso d’uso tipico
mistral-large-latestSupporto completo (Modalità JSON + Personalizzato)Compiti complessi che richiedono output strutturati affidabili
mistral-medium-latestSupporto completoMiglior rapporto prestazioni/costo per pipeline di produzione
mistral-small-latestSupporto completoCompiti semplici (classificazione, estrazione base di entità) con budget limitato
ministral-8b-latestSupporto completoEstrazioni leggere con latenza minima
ministral-3b-latestSupporto completoL’opzione più leggera quando la velocità prevale sulla complessità
codestral-latestSupporto completoOttimizzato per il codice, ma funziona anche per compiti non legati al codice
mistral-embedNon applicabileModello 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: 0 in produzione per output riproducibili
  • Scegli il modello in base alle tue esigenze: mistral-large per la qualità, ministral-8b per la velocità
  • Entrambi gli approcci (Modalità JSON e Personalizzato) sono supportati dagli stessi modelli