Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Google Vertex AI

Aula 7 de 14 Atualizada a 2 de novembro de 2026 Avancado
Nesta página
  1. Mistral no Google Cloud
  2. Modelos Disponíveis no Vertex AI
  3. Pré-requisitos
  4. O Cliente MistralGCP
  5. Completamentos de Chat
  6. FIM com Codestral
  7. Streaming no Vertex AI
  8. Diferenças em Relação à API Direta da Mistral
  9. 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 continua a fazer parte deste ecossistema. Os modelos Mistral disponíveis incluem 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).

Mistral no Google Cloud

O Google Cloud Vertex AI integra os modelos Mistral na sua plataforma unificada de ML. O acesso requer um cliente dedicado, o MistralGCP. A sua principal distinção reside na autenticação: não gere uma chave de API Mistral, pois o cliente depende das credenciais do Google Cloud já configuradas na sua máquina ou serviço. Esta lição abrange a configuração, o código Python e a funcionalidade que o Vertex AI mais destaca: o Preenchimento no Meio (Fill-in-the-Middle, FIM) com o Codestral.

Modelos Disponíveis no Vertex AI

O Vertex AI fornece acesso a vários modelos; uma vez que o catálogo evolui regularmente, consulte a página oficial para obter a lista atual. O Mistral Medium 3 (mistral-medium-3) serve como modelo generalista de alto desempenho, sendo a sua escolha padrão para geração ou análise de texto. O Codestral 2 (25.08) (codestral-2) é especializado em código e suporta FIM, detalhado mais adiante nesta lição. O Mistral OCR (25.05) (mistral-ocr-2505) trata do reconhecimento ótico de carateres, tipicamente para extrair texto de lotes de faturas digitalizadas antes de o passar a outro modelo. Por fim, o Mistral Small 3.1 (25.03) (mistral-small-2503) é leve e rápido, tornando-o ideal para processamento de alto volume onde a latência importa mais do que a nuance da resposta.

Pré-requisitos

Configure o seu ambiente Google Cloud antes de escrever uma única linha de Python. Precisa de um projeto Google Cloud com a API Vertex AI ativada, da CLI gcloud instalada e configurada, e de duas funções IAM atribuídas à sua conta de serviço:

  • Vertex AI User — para chamar modelos
  • Consumer Procurement Entitlement Manager — para ativar modelos Mistral

A segunda função é a que falta nove em cada dez vezes: sem ela, a ativação do modelo falha, mesmo que as suas chamadas pareçam corretamente autenticadas.

# Instalar a CLI gcloud
curl https://sdk.cloud.google.com | bash

# Iniciar sessão
gcloud auth application-default login

# Configurar o projeto
gcloud config set project mon-projet-gcp

Resta um passo que não pode executar através da linha de comandos: deve ativar os modelos Mistral no Vertex AI Model Garden antes de os utilizar. Aceda ao portal do Vertex AI, abra o Model Garden, pesquise por Mistral e ative os modelos desejados.

O Cliente MistralGCP

A instalação requer o extra gcp, que inclui as dependências de autenticação da Google.

pip install mistralai[gcp]

A inicialização não requer argumentos no caso padrão:

from mistralai.gcp.client import MistralGCP

# Autenticação automática via google.auth.default()
client = MistralGCP()

O cliente utiliza as Credenciais Padrão da Aplicação (ADC) do Google Cloud. Se executou gcloud auth application-default login, ou se o seu código corre numa máquina com uma conta de serviço, não é necessária configuração adicional. Por predefinição, a região selecionada é europe-west4; pode impor uma diferente. Escolha com base na localização dos seus utilizadores, pois cada milissegundo de viagem na rede adiciona tempo à geração.

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

Completamentos de Chat

A chamada em si não contém surpresas: ao contrário da Azure, o parâmetro model utiliza aqui o nome real do modelo.

from mistralai.gcp.client import MistralGCP

client = MistralGCP()

response = client.chat.complete(
    model="mistral-medium-3",
    messages=[
        {"role": "system", "content": "You are a cloud architecture expert."},
        {"role": "user", "content": "What are the advantages of Vertex AI compared to a self-hosted deployment?"}
    ],
    temperature=0.3,
    max_tokens=500
)

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

FIM com Codestral

O Preenchimento no Meio (Fill-in-the-Middle) é uma capacidade exclusiva do Codestral. Em vez de continuar texto, o modelo preenche uma lacuna entre um início (passado em prompt) e um fim (passado em suffix). Esta diferença é decisiva para o preenchimento automático em IDEs, onde o cursor está quase sempre no meio de um ficheiro: o modelo vê o que se segue e pode, portanto, escrever um corpo de função consistente com a instrução return seguinte, ou completar um bloco em falta no código existente.

from mistralai.gcp.client import MistralGCP

client = MistralGCP()

response = client.fim.complete(
    model="codestral-2",
    prompt="def count_words(file_path: str) -> int:",
    suffix="return n_words"
)

print(response.choices[0].message.content)
# Gera o corpo da função entre o prompt e o suffix

O exemplo faz ainda mais sentido com uma classe real. Aqui, o modelo recebe o cabeçalho completo, os atributos já definidos e o método disconnect() seguinte; deve produzir o corpo de connect() consistente com este ambiente.

response = client.fim.complete(
    model="codestral-2",
    prompt="""class DatabaseConnection:
    def __init__(self, host: str, port: int, database: str):
        self.host = host
        self.port = port
        self.database = database
        self.connection = None

    def connect(self):""",
    suffix="""
    def disconnect(self):
        if self.connection:
            self.connection.close()
            self.connection = None
"""
)
print(response.choices[0].message.content)

O código gerado reutilizará self.host, self.port e self.database, e atribuirá self.connection — algo que o preenchimento automático padrão, cego ao resto do ficheiro, não teria razão para fazer.

Streaming no Vertex AI

O streaming funciona como noutros locais, iterando sobre os fragmentos devolvidos.

stream = client.chat.stream(
    model="mistral-medium-3",
    messages=[
        {"role": "user", "content": "Generate a Terraform script for a GKE cluster."}
    ]
)

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

Diferenças em Relação à API Direta da Mistral

AspetoAPI MistralVertex AI
ClienteMistral()MistralGCP()
AutenticaçãoChave de APIGoogle ADC
RegiãoAutomáticaConfigurável
FIMSimSim (Codestral)
FaturaçãoMistralGoogle Cloud

Pontos-chave

  • O cliente MistralGCP utiliza autenticação nativa do Google Cloud (sem chave de API Mistral)
  • A região predefinida é europe-west4 — adapte-a ao seu caso de uso
  • O Codestral no Vertex AI suporta FIM para preenchimento automático de código
  • Ative os modelos no Model Garden antes de os utilizar
  • Os identificadores do Vertex têm versão (codestral-2, mistral-medium-3) e evoluem com cada geração: verifique o valor exato no Model Garden antes de configurar uma implementação
  • A faturação passa pela sua conta Google Cloud, não pela Mistral