Modelos Suportados e Compatibilidade
Nesta página
Compatibilidade dos Modelos Mistral
Nem todos os modelos Mistral processam saídas estruturadas da mesma forma. Antes de escrever uma única linha de código, verifique se o modelo alvo suporta a abordagem escolhida. Esta verificação de trinta segundos poupa-o de encontrar um erro de API incompreensível no final do desenvolvimento.
A boa notícia numa frase: quase todos os modelos Mistral suportam saídas estruturadas, tanto no Modo JSON como em Saídas Estruturadas Personalizadas. A única exceção, codestral-mamba, foi descontinuada pela Mistral em junho de 2025.
Modelos Principais
Eis os modelos mais utilizados e o seu estado de compatibilidade (atualizado em abril de 2026):
| Modelo | Compatibilidade | Caso de Uso Típico |
|---|---|---|
mistral-large-latest | Suporte total (Modo JSON + Personalizado) | Tarefas complexas que exigem saídas estruturadas fiáveis |
mistral-medium-latest | Suporte total | Melhor equilíbrio desempenho/custo para pipelines de produção |
mistral-small-latest | Suporte total | Tarefas simples (classificação, extração básica de entidades) com orçamento limitado |
ministral-8b-latest | Suporte total | Extrações leves com latência mínima |
ministral-3b-latest | Suporte total | A opção mais leve quando a velocidade supera a complexidade |
codestral-latest | Suporte total | Otimizado para código, mas funciona também para tarefas não relacionadas com código |
mistral-embed | Não aplicável | Modelo de incorporação; não gera texto |
Os modelos de uso geral Large, Medium e Small cobrem a maioria das necessidades, enquanto a família Ministral lida com restrições de latência.
Escolher o Modelo Adequado
Durante a prototipagem, utilize mistral-small-latest ou ministral-8b-latest. São rápidos, económicos e mais do que suficientes para validar que o seu esquema funciona e que o seu prompt diz exatamente o que pensa que diz. Pagar pelo modelo mais poderoso apenas para descobrir que um campo foi mal nomeado é um desperdício.
# Prototipagem — modelo leve
response = client.chat.parse(
model="ministral-8b-latest",
messages=messages,
response_format=MonSchema
)
A produção altera os critérios. A extração de múltiplos campos, a análise de sentimentos matizada ou a classificação detalhada justificam o uso de mistral-large-latest. Por outro lado, uma tarefa simples processada em grande volume continua a funcionar bem com mistral-small-latest. Note a adição de temperature=0 aqui; abordaremos esse parâmetro em detalhe abaixo.
# Produção — modelo poderoso
response = client.chat.parse(
model="mistral-large-latest",
messages=messages,
response_format=MonSchema,
temperature=0 # Reprodutibilidade máxima
)
Por fim, considere pipelines de alta frequência onde a latência é a restrição dominante. Se estiver a processar milhares de pedidos por minuto — como classificação de tickets ou triagem de e-mails —, ministral-8b-latest oferece a melhor relação latência-qualidade. Limitar maxTokens impede que o modelo se demore em respostas excessivamente longas.
// TypeScript — pipeline de alta frequência
const response = await client.chat.parse({
model: "ministral-8b-latest",
messages,
responseFormat: MonSchema,
maxTokens: 128, // Limite para velocidade
});
O Parâmetro temperature
Um ponto merece a sua atenção: temperature influencia a variabilidade da saída mesmo no modo estruturado. Em 0, a saída é determinística. Esta é a configuração recomendada para produção e para qualquer cenário onde a reprodutibilidade seja importante — duas execuções no mesmo documento devem gerar o mesmo registo. Entre 0.1 e 0.3, introduz uma ligeira variabilidade, o que só é útil se desejar formulações diferentes em campos de texto livre, como um resumo. A partir de 0.7, a variabilidade torna-se forte e o modelo pode produzir valores inconsistentes. Evite isto com saídas estruturadas.
Verificar a Compatibilidade Programaticamente
Em produção, em vez de depender de uma lista estática, capture o erro devolvido pelo SDK quando um modelo não consegue satisfazer o pedido:
from mistralai.client import Mistral
from mistralai.client.errors import SDKError
client = Mistral(api_key=api_key)
try:
response = client.chat.parse(
model=modele, # identificador lido da sua configuração
messages=[{"role": "user", "content": "Test"}],
response_format=MonSchema
)
except SDKError as e:
print(f"Modelo não compatível: {e}")
Este hábito mantém o seu valor ao longo do tempo. A Mistral lança regularmente novos modelos e o suporte a saídas estruturadas tornou-se um padrão que as novas gerações suportam sistematicamente. Consulte a documentação oficial para obter a lista atual antes de fixar um identificador na sua configuração.
Pontos-chave
- Os modelos Mistral atuais suportam saídas estruturadas; a exceção histórica,
codestral-mamba, foi descontinuada em junho de 2025 - Utilize
temperature: 0em produção para obter saídas reproduzíveis - Escolha o modelo com base nas suas necessidades:
mistral-largepara qualidade,ministral-8bpara velocidade - Ambas as abordagens (Modo JSON e Personalizado) são suportadas pelos mesmos modelos