Przejdź do głównej treści
Polski— Wybierz język
Menu

Wybór modelu wizyjnego Mistral

Lekcja 3 z 12 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Jaki model do jakiego przypadku użycia?
  2. Porównanie modeli wizyjnych
  3. Mistral Large 3 – wzorzec jakości
  4. Mistral Small 3.2 – wybór ekonomiczny
  5. Ministral 3 – model edge
  6. Drzewo decyzyjne
  7. Zmiana modeli w kodzie
  8. Kluczowe wnioski

Jaki model do jakiego przypadku użycia?

Mistral oferuje kilka modeli zdolnych do przetwarzania obrazów, z których każdy ma swoje własne cechy dotyczące jakości, szybkości i kosztu. Wybór właściwego nie jest szczegółem implementacyjnym: między najcięższymi a najlżejszymi modelami stosunek cenowy przekracza dziesięciokrotność. Przy przepływie dziesięciu tysięcy obrazów miesięcznie ta decyzja wpływa na Twój budżet bardziej niż jakakolwiek inna część architektury.

Ta lekcja szczegółowo omawia specyfikę każdego modelu wizyjnego i przedstawia metodę wyboru tego, który najlepiej pasuje do Twojego przypadku użycia.

Porównanie modeli wizyjnych

Poniższa tabela przypomina sytuację z kwietnia 2026 roku przedstawioną w Lekcji 1, dodając kluczowe wskaźniki istotne przy podejmowaniu decyzji.

Model Parametry Szybkość Cena (wejście/1M tokenów) Przypadki użycia
Mistral Large 3 ~123B Umiarkowana ~2 USD Szczegółowa analiza, złożone wnioskowanie
Mistral Medium 3.1 ~70B Szybka ~0,40 USD Wszechstronny, najlepszy stosunek jakości do ceny
Mistral Small 3.2 ~24B Bardzo szybka ~0,10 USD Duża skala, proste OCR, triaż
Ministral 3 14B 14B Bardzo szybka ~0,10 USD Edge, krytyczne opóźnienia, on-premise
Ministral 3 8B 8B Ultra szybka ~0,10 USD Systemy wbudowane, szybka klasyfikacja

Ceny są orientacyjne i mogą się różnić – sprawdź stronę z cennikiem Mistral, aby uzyskać aktualne dane.

Mistral Large 3 – wzorzec jakości

Mistral Large 3 to flagowy model do zadań wizyjnych. Jego około 123 miliardy parametrów znajdują uzasadnienie w trzech obszarach. Po pierwsze, szczegółowa analiza: wykres z nakładającymi się legendami, annotowany diagram techniczny lub gęsty interfejs użytkownika to obrazy, w których połowa informacji tkwi w drobnym druku i relacjach między elementami. Po drugie, wnioskowanie wieloetapowe, gdy pytanie wykracza poza prosty opis: „Spójrz na ten wykres, zidentyfikuj trend i wyjaśnij prawdopodobne przyczyny“ łączy trzy operacje, gdzie trzecia zależy od dokładności dwóch pierwszych. Wreszcie, ekstrakcja strukturalna, gdzie celem jest przekształcenie zawartości obrazu w dobrze sformatowany JSON bez wymyślania lub pomijania pól.

from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

# Large 3 do złożonej analizy
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"
                }
            ]
        }
    ]
)

Rezerwuj go do analiz krytycznych, danych wrażliwych i aplikacji profesjonalnych, gdzie precyzja jest ważniejsza niż koszt. Błędna interpretacja kwoty na fakturze kosztuje więcej niż różnica cen między dwoma modelami.

Mistral Small 3.2 – wybór ekonomiczny

Z około 24 miliardami parametrów, Small 3.2 oferuje stosunek jakości do ceny, który czyni go koniem roboczym potoków danych. Bez problemu radzi sobie z przetwarzaniem dużych wolumenów – setek lub tysięcy obrazów dziennie – oraz prostym OCR na czytelnym tekście drukowanym: etykiety, znaki, nagłówki dokumentów. Jego innym preferowanym zastosowaniem jest triaż: szybka klasyfikacja obrazów, aby wysłać do ciężkiego modelu tylko te, które naprawdę na to zasługują.

# Small 3.2 do przetwarzania dużych wolumenów
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"}
            ]
        }
    ]
)

To właściwy wybór dla zautomatyzowanych potoków, MVP i wszelkich przypadków, gdzie szybkość i koszt są ważniejsze niż perfekcja w ostatnim percentylu.

Ministral 3 – model edge

Modele Ministral, w wersjach 14B i 8B, są zaprojektowane do wdrożeń on-premise lub edge. Ich wartość leży mniej w surowej jakości, a bardziej w tym, co umożliwiają: odpowiedzi w ciągu kilkuset milisekund, wykonanie na konsumenckich GPU, takich jak RTX 4090 lub A10G, a przede wszystkim gwarancję, że żadne dane nie opuszczą Twojej infrastruktury. Linia produkcyjna kontrolująca części schodzące z prasy nie może ani czekać na round-trip sieciowy, ani eksportować swoich obrazów.

# Ministral 14B hostowany lokalnie (poprzez vLLM lub 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..."}
            ]
        }
    ]
)

Zwróć uwagę na server_url wskazujący na Twój własny serwer: reszta kodu jest ściśle identyczna. Typowe przypadki użycia obejmują kontrolę przemysłową, opiekę zdrowotną, środowiska odłączone od sieci i dane poufne.

Drzewo decyzyjne

Stając przed nowym projektem, najbardziej rozstrzygającym pytaniem jest lokalizacja: jeśli dane muszą pozostać on-premise, debata kończy się na Ministral 3, wybierając 14B dla jakości lub 8B dla urządzenia wbudowanego. Jeśli chmura jest akceptowalna, następnie zdecyduj w oparciu o charakter obciążenia. Krytyczna jakość analizy wymaga Mistral Large 3; duża liczba obrazów wskazuje na Mistral Small 3.2; a gdy żadne z tych ograniczeń nie dominuje, Mistral Medium 3.1 oferuje ogólny kompromis.

Zmiana modeli w kodzie

Cały sens tego zunifikowanego API polega na tym, że wybór pozostaje odwracalny. Przełączenie się z jednego modelu na drugi wymaga zmiany tylko jednej linii, bez dotykania konstrukcji wiadomości:

# Przełączenie z Small na Large poprzez zmianę tylko modelu
model = "mistral-small-latest"   # rozwój, testy
# model = "mistral-large-latest" # produkcja, maksymalna jakość

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

Ta właściwość umożliwia inteligentne routowanie, które zobaczysz w trakcie całego kursu: Small wykonuje triaż na całym przepływie, podczas gdy Large przetwarza tylko przypadki złożone. W partii, gdzie tylko jedna dziesiąta obrazów wymaga szczegółowej analizy, oszczędności są znaczne przy niezmienionej końcowej jakości.

Kluczowe wnioski

  • Mistral Large 3 oferuje najlepszą jakość, ale przy najwyższym koszcie
  • Mistral Small 3.2 jest idealny do dużych wolumenów i prostych przypadków użycia
  • Modele Ministral umożliwiają wdrożenie lokalne bez zależności od chmury
  • API jest identyczne dla wszystkich modeli – zmienia się tylko parametr model
  • Inteligentne routowanie (Small do triażu, Large do analizy) optymalizuje stosunek jakości do kosztu