Introduzione alla Visione tramite l'API Mistral
In questa pagina
Aggiornamento 2 novembre 2026 — modelli. Mistral Large 3 (
mistral-large-2512) e Mistral Medium 3.5 sono stati deprecati dal 31 ottobre 2026 e verranno ritirati il 30 aprile 2027. Il loro successore designato, Mistral Large 4 (mistral-large-4), è in anteprima pubblica dal 6 ottobre. Gli esempi in questo corso utilizzano l’aliasmistral-large-latest, che punta ancora a Mistral Large 3 secondo le sue specifiche ufficiali (verificato il 3 novembre 2026). Analogamente,mistral-medium-latestpunta a Mistral Medium 3.5. Questi alias rimarranno validi fino al 30 aprile 2027. Per nuovi progetti, testamistral-large-4, il loro successore designato.
Cos’è l’API Vision?
I modelli linguistici non si fermano più al testo. Dal 2024, Mistral AI offre modelli multimodali capaci di analizzare testo e immagini simultaneamente. Questa capacità, chiamata Vision, cambia la natura del lavoro che puoi automatizzare: una fattura fotografata, uno screenshot di una dashboard o un diagramma tecnico smettono di essere allegati opachi che un umano deve aprire. Diventano invece input che il tuo codice interroga, esattamente come interrogherebbe una stringa.
L’ambito è vasto: analisi documentale, lettura di grafici ed estrazione di dati visivi. Uno studio contabile che riceve trecento scontrini scansionati al mese può chiedere al modello di leggere gli importi; un team prodotto può descrivere automaticamente gli screenshot inviati dagli utenti. In questo corso imparerai a sfruttare l’API Mistral Vision per integrare questo tipo di analisi nelle tue applicazioni Python. Ogni lezione combina una spiegazione del meccanismo con codice pronto all’uso.
Perché usare Mistral Vision?
Il primo argomento è l’assenza di discontinuità tecnica. Chiami lo stesso endpoint chat.complete() usato per il testo: non c’è nessuna API separata da imparare, nessun client distinto da istanziare. Aggiungi semplicemente le immagini al messaggio. Un progetto già costruito sulla generazione testuale accoglie la visione senza bisogno di riprogettazione.
Il secondo è la scelta del modello. Dal più potente, Mistral Large 3, al più leggero della famiglia Ministral 3, adatti il compromesso qualità/costo al tuo caso: un modello pesante per l’analisi fine di un grafico finanziario, un modello leggero per classificare diecimila foto per categoria. Effettui questa regolazione in una singola riga di codice, come vedrai nella Lezione 3.
Si applicano altre due considerazioni strategiche. Il formato del messaggio segue lo standard simile a OpenAI, il che facilita la migrazione da un altro provider: il codice per costruire i messaggi rimane praticamente invariato. E poiché Mistral è un’azienda francese, i tuoi dati possono restare in Europa, un fattore spesso decisivo quando le immagini contengono informazioni personali o contrattuali.
Modelli Vision disponibili
Cinque modelli Mistral supportano la visione. Ognuno è identificato da un ID API che passi al parametro model.
| Modello | ID API | Caso d’uso principale |
|---|---|---|
| Mistral Large 3 | mistral-large-2512 | Analisi complessa, massima qualità |
| Mistral Medium 3.5 | mistral-medium-latest | Buon equilibrio qualità/velocità |
| Mistral Small 4 | mistral-small-latest | Uso quotidiano, veloce ed economico |
| Ministral 3 14B | ministral-14b-2512 | Edge computing, bassa latenza |
| Ministral 3 8B | ministral-8b-2512 | Sistemi embedded, risorse limitate |
Tutti questi modelli accettano immagini come input tramite l’API Chat Completions. In altre parole, il codice che stai per scrivere funzionerà in modo identico con tutti e cinque.
In questa tabella coesistono due forme di identificatori e scegliere tra loro è una decisione architetturale. Gli alias -latest tracciano automaticamente la versione corrente del modello: le tue chiamate beneficiano dei miglioramenti senza toccare il tuo codice, al costo di un comportamento che potrebbe evolversi sotto i tuoi piedi. Gli identificatori datati come mistral-large-2512 fissano una versione specifica: il comportamento rimane stabile, ma devi tenere traccia delle deprecazioni. Usa l’alias per un prototipo; per una pipeline di produzione con output validati, fissa la versione e pianifica i tuoi aggiornamenti.
La tua prima chiamata Vision
Ecco un esempio minimale per inviare un’immagine a Mistral e ottenere una descrizione:
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)
Un dettaglio distingue questa chiamata da una chiamata testuale standard e merita attenzione: il campo content del messaggio utente è un array (una lista) invece di una semplice stringa. Questa struttura è ciò che permette di mescolare testo e immagini in un singolo turno.
Struttura di un messaggio multimodale
Un messaggio standard solo testuale sta su una riga:
{"role": "user", "content": "Hello, how are you?"}
Un messaggio multimodale sostituisce quella stringa con una lista di elementi tipizzati, ciascuno annunciato dal suo campo type:
{
"role": "user",
"content": [
{"type": "text", "text": "Your question here"},
{"type": "image_url", "image_url": "URL or data URI of the image"}
]
}
Nulla ti obbliga a limitarti a un elemento per tipo. Puoi includere più elementi text e image_url in un singolo messaggio. Questo è precisamente ciò che ti permette, ad esempio, di presentare un’immagine di riferimento e poi un’immagine da confrontare, introducendo ciascuna con una frase. Tratteremo questo in dettaglio nelle lezioni seguenti.
Cosa imparerai in questo corso
Questo corso di 12 lezioni progredisce dal meccanismo all’applicazione. Le lezioni da 1 a 3 coprono i modelli multimodali: cosa succede effettivamente quando un’immagine entra nel modello e come scegliere quello adatto al tuo carico di lavoro. Le lezioni da 4 a 6 trattano l’invio di immagini, tramite URL, in Base64 e poi più immagini in un singolo messaggio. Le lezioni da 7 a 10 guidano attraverso casi d’uso concreti: analisi di grafici, OCR, estrazione strutturata e confronto di immagini. Le lezioni 11 e 12 chiudono l’argomento con limiti, ottimizzazione dei costi ed eventuali estensioni.
Punti chiave
- L’API Mistral Vision usa lo stesso endpoint della chat testuale
- Il messaggio utente diventa un array contenente elementi
texteimage_url - Cinque modelli supportano la visione, dal più potente al più leggero
- Mistral è una scelta rilevante per progetti che richiedono sovranità dei dati europea