Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Modelos Suportados e Compatibilidade

Aula 3 de 12 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. Compatibilidade dos Modelos Mistral
  2. Modelos Principais
  3. Escolher o Modelo Adequado
  4. O Parâmetro temperature
  5. Verificar a Compatibilidade Programaticamente
  6. Pontos-chave

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):

ModeloCompatibilidadeCaso de Uso Típico
mistral-large-latestSuporte total (Modo JSON + Personalizado)Tarefas complexas que exigem saídas estruturadas fiáveis
mistral-medium-latestSuporte totalMelhor equilíbrio desempenho/custo para pipelines de produção
mistral-small-latestSuporte totalTarefas simples (classificação, extração básica de entidades) com orçamento limitado
ministral-8b-latestSuporte totalExtrações leves com latência mínima
ministral-3b-latestSuporte totalA opção mais leve quando a velocidade supera a complexidade
codestral-latestSuporte totalOtimizado para código, mas funciona também para tarefas não relacionadas com código
mistral-embedNão aplicávelModelo 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: 0 em produção para obter saídas reproduzíveis
  • Escolha o modelo com base nas suas necessidades: mistral-large para qualidade, ministral-8b para velocidade
  • Ambas as abordagens (Modo JSON e Personalizado) são suportadas pelos mesmos modelos