Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Beslissingsboom — Welk model voor welke use case

Les 10 van 14 Bijgewerkt op 28 juli 2026 Beginner
Op deze pagina
  1. De praktische selectiegids
  2. Begin bij de behoefte, niet bij het model
  3. Beslissingstabel per use case
  4. Doorloop de beslissing in drie stappen
  5. Winnaarscombinaties
  6. Belangrijkste punten

De praktische selectiegids

U kent nu het volledige Mistral-assortiment en de volgende logische vraag is actie: welk model moet u voor uw project gebruiken? Deze les biedt een gestructureerd selectieproces, ondersteund door een koppelingstabel tussen use cases en modellen. Het doel is niet u een kant-en-klaar antwoord te geven, maar u in staat te stellen uw keuze te verantwoorden tegenover een architect of een CFO.

Begin bij de behoefte, niet bij het model

De meest gemaakte fout is om direct het “krachtigste” model te kiezen en dit overal voor toe te passen. Een team dat een frontier-model plugt in een simpele ticketclassificatietaak, betaalt tien keer de benodigde prijs, wacht enkele seconden op een antwoord dat een klein model direct had geleverd, en wordt uiteindelijk afhankelijk van een API waar een lokaal model volstaan zou hebben. Kracht compenseert een mismatch niet; het maakt deze alleen duur.

De juiste aanpak werkt omgekeerd en omvat drie stappen. Identificeer eerst uw hoofdtaak – degene die het grootste volume vertegenwoordigt, niet het exotische geval dat eens per maand voorkomt. Evalueer vervolgens uw echte beperkingen: budget, acceptabele latentie, gegevensgevoeligheid en beschikbare infrastructuur. U kiest het model pas als laatste, op het snijvlak van deze taak en deze beperkingen. Een model is nooit in absolute termen goed; het is wel of niet geschikt voor een specifiek snijvlak.

Beslissingstabel per use case

Use case Aanbevolen model Tier Waarom
Chatbot / Assistent Mistral Small 4 Open Hybride instruct+reasoning, 256K context, optimale prijs/prestatieverhouding
RAG (lange documenten) Small 4 + Mistral Embed Open + Premier Groot contextvenster + kwalitatieve embeddings
Code completion (IDE) Codestral Premier FIM, lage latentie, 80+ talen
Autonome code-agent Devstral 2 Open End-to-end taakoplossing, code-exploratie
Spraaksynthese / TTS Voxtral TTS Open Stemcloning, streaming, meertalig
Audiotranscriptie Voxtral Transcribe 2 Premier Diarisatie, contextbiasing, hoge nauwkeurigheid
Documentextractie OCR 3 Premier Structuur, tabellen, meerdere pagina's
Afbeelding + tekstanalyse Mistral Large 3 Open Frontier multimodaal, beste kwaliteit
Wiskundig redeneren Magistral Medium 1.2 Premier Diepe chain-of-thought, gespecialiseerd redeneren
Mobile/edge-implementatie Ministral 3 (3B) Open Ultra-compact, multimodaal, offline
Contentmoderatie Moderation 2 Premier Jailbreak-detectie, aangepaste guardrails

Doorloop de beslissing in drie stappen

De eerste stap is het categoriseren van uw behoefte. Algemene tekst – conversatie, schrijven, samenvatten – valt onder de familie Small, Large en Medium. Alles wat met code te maken heeft, behoort tot de familie Codestral en Devstral. Audio, zowel input als output, gaat naar Voxtral. Behandel documenten en afbeeldingen met OCR 3 of Large 3, afhankelijk van of u gestructureerde extractie of interpretatie wilt. Complex redeneren vraagt om Magistral en beveiligingsvragen vallen onder Moderation 2. Deze categorisatie elimineert direct driekwart van het assortiment.

De tweede stap zet deze kandidaat af tegen uw beperkingen; hier worden de echte beslissingen genomen. Een krap budget wijst naar Open-modellen voor self-hosting of naar Small 4 via de API. Gevoelige data vereisen self-hosting van een open model, ongeacht het gemak van een API. Een strikte latentie-eis stuurt u naar Ministral 3 lokaal of naar Codestral voor IDE-completion. Een zoektocht naar maximale kwaliteit rechtvaardigt Large 3 of Magistral Medium 1.2. Tot slot moet een team zonder infrastructuur om te beheren bij de Premier-API blijven, ook al kost dit meer. Deze beperkingen spreken elkaar vaak tegen: expliciet afwegen is beter dan het conflict pas in productie ontdekken.

De derde stap is degene die men het liefst overslaat en nooit mag overslaan: validatie via prototyping. Kies nooit een model puur op basis van benchmarks. Bouw een testset van twintig tot vijftig representatieve voorbeelden, draai twee of drie kandidaten hierop, vergelijk de kwaliteit van het resultaat, de latentie en de kosten, en itereren vervolgens. Deze verificatie duurt zelden langer dan een halve dag en het is de enige methode die u iets vertelt over uw eigen context in plaats van een ergens anders berekend gemiddelde.

Winnaarscombinaties

In volwassen architecturen kiest u niet één model, maar een assemblage, waarbij elk component doet waar het het beste in is. Een compleet RAG-systeem koppelt Mistral Embed voor indexering, Small 4 voor generatie en Moderation 2 om outputs te filteren. Een documentpipeline begint met OCR 3 voor extractie, gaat verder met Small 4 voor analyse en vertrouwt op Mistral Embed voor zoekopdrachten. Een developer-assistent combineert Codestral in de IDE, Devstral 2 voor complexe taken en Codestral Embed voor code-zoekopdrachten. Een spraaktoepassing ten slotte komt binnen via Voxtral Transcribe, verwerkt met Small 4 en gaat naar buiten via Voxtral TTS. De totale kosten van deze ketens zijn bijna altijd lager dan die van één enkel model dat alles probeert te doen.

Belangrijkste punten

  • Begin altijd met de use case, niet met het model
  • Evalueer de triade taak / beperkingen / budget voordat u kiest
  • Combinaties van meerdere modellen zijn vaak effectiever dan één enkel model
  • Test altijd met uw eigen data voordat u zich vastlegt
  • Mistral Small 4 is het standaardstartpunt voor de meeste gevallen