Introdução à Visão através da API Mistral
Nesta página
Atualização de 2 de novembro de 2026 — modelos. O Mistral Large 3 (
mistral-large-2512) e o Mistral Medium 3.5 foram descontinuados desde 31 de outubro de 2026 e serão retirados em 30 de abril de 2027. O seu sucessor designado, Mistral Large 4 (mistral-large-4), encontra-se em pré-visualização pública desde 6 de outubro. Os exemplos deste curso utilizam o aliasmistral-large-latest, que ainda aponta para o Mistral Large 3 de acordo com a sua especificação oficial (verificado em 3 de novembro de 2026). Da mesma forma,mistral-medium-latestaponta para o Mistral Medium 3.5. Estes aliases permanecerão válidos até 30 de abril de 2027. Para novos projetos, teste omistral-large-4, o seu sucessor designado.
O que é a API Vision?
Os modelos de linguagem já não se limitam ao texto. Desde 2024, a Mistral AI oferece modelos multimodais capazes de analisar texto e imagens simultaneamente. Esta capacidade, denominada Vision, altera a natureza do trabalho que pode automatizar: uma fatura fotografada, uma captura de ecrã de um painel de controlo ou um diagrama técnico deixam de ser anexos opacos que um humano precisa de abrir. Em vez disso, tornam-se entradas que o seu código consulta, exatamente como consultaria uma cadeia de caracteres.
O âmbito é vasto: análise de documentos, leitura de gráficos e extração de dados visuais. Um escritório de contabilidade que receba trezentos recibos digitalizados por mês pode pedir ao modelo para ler os valores; uma equipa de produto pode descrever automaticamente capturas de ecrã submetidas pelos utilizadores. Neste curso, aprenderá a aproveitar a API Mistral Vision para integrar este tipo de análise nas suas aplicações Python. Cada lição combina uma explicação do mecanismo com código pronto a usar.
Por que utilizar o Mistral Vision?
O primeiro argumento é a ausência de rutura técnica. Chama o mesmo endpoint chat.complete() utilizado para texto: não há uma API separada para aprender, nem um cliente distinto para instanciar. Basta adicionar imagens à mensagem. Um projeto já construído sobre geração de texto acomoda a visão sem necessidade de redesenho.
O segundo é a escolha do modelo. Desde o mais potente, o Mistral Large 3, até ao mais leve da família Ministral 3, ajusta a relação qualidade/custo ao seu caso: um modelo pesado para uma análise detalhada de um gráfico financeiro, um modelo leve para classificar dez mil fotos por categoria. Efetua este ajuste numa única linha de código, como verá na Lição 3.
Aplicam-se mais duas considerações estratégicas. O formato da mensagem segue o padrão semelhante ao da OpenAI, o que facilita a migração a partir de outro fornecedor: o código para construir mensagens permanece praticamente inalterado. E porque a Mistral é uma empresa francesa, os seus dados podem permanecer na Europa, um fator frequentemente decisivo quando as imagens contêm informações pessoais ou contratuais.
Modelos Vision Disponíveis
Cinco modelos da Mistral suportam visão. Cada um é identificado por um ID de API que passa ao parâmetro model.
| Modelo | ID da API | Caso de Utilização Principal |
|---|---|---|
| Mistral Large 3 | mistral-large-2512 | Análise complexa, qualidade máxima |
| Mistral Medium 3.5 | mistral-medium-latest | Bom equilíbrio qualidade/velocidade |
| Mistral Small 4 | mistral-small-latest | Uso quotidiano, rápido e económico |
| Ministral 3 14B | ministral-14b-2512 | Computação na borda, baixa latência |
| Ministral 3 8B | ministral-8b-2512 | Sistemas incorporados, recursos limitados |
Todos estes modelos aceitam imagens como entrada através da API de Completions de Chat. Por outras palavras, o código que está prestes a escrever funcionará identicamente com os cinco.
Duas formas de identificadores coexistem nesta tabela, e escolher entre elas é uma decisão arquitetural. Os aliases -latest acompanham automaticamente a versão atual do modelo: as suas chamadas beneficiam de melhorias sem tocar no seu código, ao custo de um comportamento que pode evoluir sob os seus pés. Os identificadores datados como mistral-large-2512 fixam uma versão específica: o comportamento mantém-se estável, mas deve acompanhar as descontinuações. Utilize o alias para um protótipo; para um pipeline de produção com saídas validadas, fixe a versão e planeie as suas atualizações.
A Sua Primeira Chamada Vision
Eis um exemplo mínimo para enviar uma imagem para a Mistral e obter uma descrição:
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": "Describe this image in detail."},
{
"type": "image_url",
"image_url": "https://example.com/photo.jpg"
}
]
}
]
)
print(response.choices[0].message.content)
Um detalhe distingue esta chamada de uma chamada de texto padrão, e merece atenção: o campo content da mensagem do utilizador é um array (uma lista) em vez de uma simples cadeia de caracteres. Esta estrutura é o que permite misturar texto e imagens num único turno.
Estrutura de uma Mensagem Multimodal
Uma mensagem padrão apenas de texto cabe numa linha:
{"role": "user", "content": "Hello, how are you?"}
Uma mensagem multimodal substitui essa cadeia de caracteres por uma lista de elementos tipados, cada um anunciado pelo seu campo type:
{
"role": "user",
"content": [
{"type": "text", "text": "Your question here"},
{"type": "image_url", "image_url": "URL or data URI of the image"}
]
}
Nada o obriga a limitar-se a um elemento de cada tipo. Pode incluir múltiplos elementos text e image_url numa única mensagem. É precisamente isto que lhe permite, por exemplo, apresentar uma imagem de referência e depois uma imagem para comparar, introduzindo cada uma com uma frase. Abordaremos isto em detalhe nas lições seguintes.
O que Aprenderá Neste Curso
Este curso de 12 lições progride do mecanismo à aplicação. As lições 1 a 3 cobrem modelos multimodais: o que acontece realmente quando uma imagem entra no modelo e como escolher aquele que se adequa à sua carga de trabalho. As lições 4 a 6 cobrem o envio de imagens, por URL, em Base64 e, subsequentemente, múltiplas imagens numa única mensagem. As lições 7 a 10 percorrem casos de uso concretos — análise de gráficos, OCR, extração estruturada e comparação de imagens. As lições 11 e 12 encerram o tópico com limites, otimização de custos e possíveis extensões.
Pontos-chave
- A API Mistral Vision utiliza o mesmo endpoint que o chat de texto
- A mensagem do utilizador torna-se um array contendo elementos
texteimage_url - Cinco modelos suportam visão, desde o mais potente ao mais leve
- A Mistral é uma escolha relevante para projetos que exigem soberania de dados europeia