Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Mistral no Google Vertex AI

Aula 12 de 14 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. Porquê o Vertex AI?
  2. Modelos disponíveis no Vertex AI
  3. Prepare o seu ambiente Google Cloud
  4. Uma primeira chamada sem chave de API
  5. O caso especial do FIM com o Codestral
  6. O cliente Vertex em TypeScript
  7. Ir para produção corretamente
  8. Pontos-chave

Atualizado em 2 de novembro de 2026 — Google Cloud. A Google agrupa agora as suas ofertas de IA sob a Gemini Enterprise Agent Platform («Agent Platform»); o Model Garden permanece disponível dentro desta plataforma. Os modelos Mistral disponíveis são o Mistral Medium 3 (mistral-medium-3), o Codestral 2 (codestral-2), o Mistral OCR 25.05 (mistral-ocr-2505) e o Mistral Small 3.1 (mistral-small-2503). Com o Mistral SDK v2 e versões posteriores, importe o cliente através de from mistralai.gcp.client import MistralGCP e instale-o com pip install "mistralai[gcp]". Fontes: Modelos Mistral AI (Google Cloud) · Vertex AI (Mistral).

Porquê o Vertex AI?

O Google Cloud Vertex AI é a plataforma MLOps da Google e aloja modelos de parceiros, incluindo os da Mistral. A lógica aqui espelha a da Azure: se a sua infraestrutura já depende da Google Cloud — BigQuery para dados, Cloud Run ou GKE para execução —, utilizar o Vertex evita-lhe introduzir outro fornecedor na sua cadeia.

O argumento decisivo aqui é a autenticação. Já não precisa de distribuir, rodar ou monitorizar uma chave de API da Mistral: os seus serviços autenticam-se utilizando a sua conta de serviço da Google, exatamente como já fazem para aceder a um bucket ou a uma tabela do BigQuery. Isto adiciona também uma faturação centralizada na sua conta Cloud Billing e o acesso às ferramentas MLOps da Google.

Modelos disponíveis no Vertex AI

Em abril de 2026, o Vertex AI fornece acesso aos seguintes modelos:

ModeloPosicionamento
Mistral MediumModelo polivalente de alto desempenho
Mistral SmallRápido e económico
CodestralEspecializado em código, com suporte FIM (Fill-in-the-Middle)
Mistral OCRExtração de conteúdo de documentos

Prepare o seu ambiente Google Cloud

A configuração ocorre uma única vez e condiciona todo o resto:

  1. Um projeto Google Cloud com a API Vertex AI ativada
  2. As seguintes funções IAM atribuídas à sua conta:
    • Vertex AI User — para invocar modelos
    • Consumer Procurement Entitlement Manager — para ativar modelos de parceiros
  3. A CLI gcloud instalada e configurada

A segunda função surpreende frequentemente as pessoas: não tem nada a ver com inferência; autoriza a ativação de modelos de parceiros no catálogo. Sem ela, verá os modelos Mistral na interface, mas nunca conseguirá ativá-los, e o erro devolvido não aponta claramente para esta falta de permissões.

# Instalar gcloud (se ainda não estiver feito)
# Ver https://cloud.google.com/sdk/docs/install

# Autenticar
gcloud auth application-default login

# Definir o projeto padrão
gcloud config set project your-project-id

Um passo é regularmente esquecido: aceda à consola do Vertex AI, encontre o modelo Mistral desejado no Model Garden e clique em Enable (Ativar). Esta ativação é necessária apenas uma vez por modelo e por projeto. Uma chamada a um modelo não ativado falha mesmo que as suas funções IAM estejam corretas — esta é a primeira coisa a verificar quando se depara com um erro de autorização inexplicável.

Uma primeira chamada sem chave de API

Note primeiro o que falta no código abaixo: nenhuma chave de API, nenhum segredo para carregar. O Mistral SDK V2 fornece um cliente dedicado para a Google Cloud, MistralGCP, que depende de google.auth.default(): este recolhe as credenciais que o gcloud auth application-default login depositou localmente ou a conta de serviço anexada à máquina em produção.

from mistralai.gcp.client import MistralGCP

# A autenticação utiliza google.auth.default()
# Certifique-se de que executou: gcloud auth application-default login
client = MistralGCP()

response = client.chat.complete(
    model="mistral-small-2503",
    messages=[
        {"role": "user", "content": "Explain the architecture of BigQuery."}
    ]
)

print(response.choices[0].message.content)

Por predefinição, o cliente utiliza a região europe-west4, nos Países Baixos. Para a alterar, basta passá-la ao construtor — tendo em mente que as regiões disponíveis dependem do modelo e que a documentação do Vertex AI é autoridade nesta matéria.

client = MistralGCP(region="us-central1")

O streaming segue o mesmo mecanismo visto com a API direta: itere sobre o fluxo, aceda ao conteúdo via chunk.data e teste antes de imprimir, uma vez que alguns fragmentos chegam vazios.

stream = client.chat.stream(
    model="mistral-small-2503",
    messages=[
        {"role": "user", "content": "List the serverless services of Google Cloud."}
    ]
)

for chunk in stream:
    content = chunk.data.choices[0].delta.content
    if content:
        print(content, end="", flush=True)

O caso especial do FIM com o Codestral

O Codestral no Vertex AI suporta Fill-in-the-Middle (FIM), uma funcionalidade que altera a forma como aborda a conclusão de código. Em vez de pedir «escreva-me uma função», fornece o início e o fim, e o modelo produz o que falta entre os dois. O método também muda: já não é chat.complete(), mas fim.complete(), com um prompt para a parte inicial e um suffix para a parte final.

from mistralai.gcp.client import MistralGCP

client = MistralGCP()

response = client.fim.complete(
    model="codestral-2",
    prompt="def calculate_average(grades: list[float]) -> float:",
    suffix="    return average"
)

print(response.choices[0].message.content)

Neste exemplo, o modelo gera o corpo da função entre a assinatura e o return. Sabe que uma variável average deve existir no final, uma vez que aparece no sufixo: a restrição guia-o muito melhor do que uma instrução em linguagem natural. É exatamente isto que acontece quando um IDE completa uma função no meio de um ficheiro, tornando o FIM particularmente eficaz para conclusão num editor, preenchendo blocos de código em falta e gerando código que deve integrar-se numa estrutura existente.

O cliente Vertex em TypeScript

Em JavaScript e TypeScript, o cliente da Google Cloud é publicado num pacote separado, @mistralai/mistralai-gcp (npm add @mistralai/mistralai-gcp), e chama-se MistralGCP desde a versão 2.0 do SDK (anteriormente chamava-se MistralGoogleCloud). A região e o ID do projeto são declarados na construção e, mais uma vez, nenhuma chave aparece no código.

import { MistralGCP } from '@mistralai/mistralai-gcp';

const client = new MistralGCP({
  region: 'europe-west4',
  projectId: process.env.GOOGLE_PROJECT_ID,
});

const response = await client.chat.complete({
  model: 'mistral-small-2503',
  messages: [
    { role: 'user', content: 'How to optimize a BigQuery query?' },
  ],
});

console.log(response.choices?.[0]?.message?.content);

Fontes: TypeScript SDK @mistralai/mistralai-gcp · Notas de lançamento do TypeScript SDK 2.0.0

Ir para produção corretamente

A autenticação de utilizador via gcloud auth application-default login é perfeita para desenvolvimento, mas vincula as suas chamadas a uma pessoa: no dia em que essa pessoa deixar a equipa, o serviço quebra. Em produção, utilize contas de serviço, cujos direitos são explícitos e auditáveis. Mantenha europe-west4 como região predefinida se a conformidade europeia fizer parte das suas restrições. Ative o Cloud Logging para rastrear as suas chamadas e diagnosticar erros, e configure orçamentos no Cloud Billing: numa plataforma onde a inferência é faturada por utilização, um alerta de orçamento é a sua única salvaguarda contra um loop descontrolado.

Pontos-chave

  • O cliente MistralGCP utiliza a autenticação nativa da Google Cloud (gcloud auth)
  • A região predefinida é europe-west4 — modificável na inicialização
  • O Codestral no Vertex suporta FIM (Fill-in-the-Middle) para conclusão de código
  • Não é necessária nenhuma chave de API da Mistral: a autenticação passa pelo IAM da Google Cloud
  • Ative cada modelo no Model Garden antes de o utilizar