Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Scegliere il tuo modello Mistral Vision

Lezione 3 di 12 Aggiornata il 2 novembre 2026 Sviluppatore
In questa pagina
  1. Quale modello per quale caso d’uso?
  2. Confronto tra modelli Vision
  3. Mistral Large 3 — Il benchmark di qualità
  4. Mistral Small 3.2 — La scelta economica
  5. Ministral 3 — Il modello Edge
  6. Albero decisionale
  7. Cambiare modello nel tuo codice
  8. Punti chiave

Quale modello per quale caso d’uso?

Mistral offre diversi modelli capaci di elaborare immagini, ognuno con le proprie caratteristiche in termini di qualità, velocità e costo. Scegliere quello giusto non è un dettaglio implementativo: tra i modelli più pesanti e quelli più leggeri, il rapporto di prezzo supera il decuplo. Su un flusso di diecimila immagini al mese, questa decisione impatta il tuo budget più di qualsiasi altra parte della tua architettura.

Questa lezione dettaglia le specificità di ogni modello vision e ti fornisce il metodo per selezionare quello adatto al tuo caso d’uso.

Confronto tra modelli Vision

La tabella seguente riprende il panorama di aprile 2026 presentato nella Lezione 1, aggiungendo le metriche chiave che contano quando devi fare la tua scelta.

Modello Parametri Velocità Prezzo (input/1M token) Casi d'uso
Mistral Large 3 ~123B Moderata ~$2 Analisi fine, ragionamento complesso
Mistral Medium 3.1 ~70B Veloce ~$0.40 Versatile, miglior rapporto qualità-prezzo
Mistral Small 3.2 ~24B Molto veloce ~$0.10 Alto volume, OCR semplice, triage
Ministral 3 14B 14B Molto veloce ~$0.10 Edge, latenza critica, on-premise
Ministral 3 8B 8B Ultra veloce ~$0.10 Embedded, classificazione rapida

I prezzi sono indicativi e possono variare: consulta la pagina dei prezzi di Mistral per dati aggiornati.

Mistral Large 3 — Il benchmark di qualità

Mistral Large 3 è il modello di punta per la visione. I suoi circa 123 miliardi di parametri si giustificano in tre ambiti. Primo, l’analisi fine: un grafico con legende sovrapposte, un diagramma tecnico annotato o un’interfaccia utente densa sono immagini in cui metà delle informazioni risiede nei caratteri piccoli e nelle relazioni tra gli elementi. Secondo, il ragionamento multi-step, quando la domanda va oltre la semplice descrizione: «Osserva questo grafico, identifica il trend e spiega le cause probabili» concatena tre operazioni in cui la terza dipende dalla precisione delle prime due. Infine, l’estrazione strutturata, dove l’obiettivo è trasformare il contenuto dell’immagine in JSON ben formattato senza inventare né omettere campi.

from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

# Large 3 per analisi complesse
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Analyze this financial chart. Identify the main trends and inflection points."
                },
                {
                    "type": "image_url",
                    "image_url": "https://example.com/financial-chart.png"
                }
            ]
        }
    ]
)

Riservalo ad analisi critiche, dati sensibili e applicazioni professionali dove la precisione prevale sul costo. Interpretare male l’importo di una fattura costa più della differenza di prezzo tra due modelli.

Mistral Small 3.2 — La scelta economica

Con circa 24 miliardi di parametri, Small 3.2 offre un rapporto qualità-prezzo che ne fa il cavallo di battaglia delle pipeline. Gestisce senza difficoltà l’elaborazione ad alto volume — centinaia o migliaia di immagini al giorno — e l’OCR semplice su testo stampato chiaro: etichette, insegne, intestazioni di documenti. Il suo altro uso privilegiato è il triage: classificare rapidamente le immagini per inviare al modello pesante solo quelle che lo meritano davvero.

# Small 3.2 per elaborazione ad alto volume
response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Read the text visible on this product label."},
                {"type": "image_url", "image_url": "https://example.com/label.jpg"}
            ]
        }
    ]
)

È la scelta giusta per pipeline automatizzate, MVP e qualsiasi caso in cui velocità e costo contino più della perfezione nell’ultimo percentile.

Ministral 3 — Il modello Edge

I modelli Ministral, nelle versioni 14B e 8B, sono progettati per il deployment on-premise o edge. Il loro valore risiede meno nella qualità grezza che in ciò che abilitano: risposte in poche centinaia di millisecondi, esecuzione su GPU di classe consumer come RTX 4090 o A10G e, soprattutto, la garanzia che nessun dato esca dalla tua infrastruttura. Una linea di produzione che ispeziona pezzi in uscita da una pressa non può né attendere un round-trip di rete né esportare le proprie immagini.

# Ministral 14B ospitato localmente (via vLLM o Ollama)
from mistralai.client import Mistral

client = Mistral(
    api_key="local",
    server_url="http://localhost:8000/v1"
)

response = client.chat.complete(
    model="ministral-14b-2512",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Does this image contain a manufacturing defect?"},
                {"type": "image_url", "image_url": "data:image/jpeg;base64,/9j/4AAQ..."}
            ]
        }
    ]
)

Nota l’server_url che punta al tuo server: il resto del codice è strettamente identico. Casi d’uso tipici includono ispezione industriale, sanità, ambienti disconnessi e dati confidenziali.

Albero decisionale

Di fronte a un nuovo progetto, la domanda più discriminante è la localizzazione: se i dati devono rimanere on-premise, il dibattito si chiude con Ministral 3, scegliendo 14B per la qualità o 8B per un dispositivo embedded. Se il cloud è accettabile, decidi poi in base alla natura del carico. La qualità dell’analisi critica richiede Mistral Large 3; l’alto volume di immagini punta su Mistral Small 3.2; e quando nessun vincolo domina, Mistral Medium 3.1 offre il compromesso generale.

Cambiare modello nel tuo codice

Il punto forte di questa API unificata è che la scelta rimane reversibile. Passare da un modello all’altro richiede di cambiare una sola riga, senza toccare la costruzione dei messaggi:

# Passa da Small a Large cambiando solo il modello
model = "mistral-small-latest"   # sviluppo, test
# model = "mistral-large-latest" # produzione, massima qualità

response = client.chat.complete(model=model, messages=messages)

Questa proprietà abilita un routing intelligente che vedrai lungo tutto il corso: Small esegue il triage sull’intero flusso, mentre Large elabora solo i casi complessi. Su un batch in cui solo un decimo delle immagini richiede un’analisi fine, il risparmio è considerevole a parità di qualità finale.

Punti chiave

  • Mistral Large 3 offre la migliore qualità ma al costo più elevato
  • Mistral Small 3.2 è ideale per volumi elevati e casi d’uso semplici
  • I modelli Ministral abilitano il deployment locale senza dipendenza dal cloud
  • L’API è identica per tutti i modelli: cambia solo il parametro model
  • Il routing intelligente (Small per il triage, Large per l’analisi) ottimizza il rapporto qualità-costo