Escolher o Seu Modelo de Visão Mistral
Nesta página
Qual modelo para qual caso de uso?
A Mistral oferece vários modelos capazes de processar imagens, cada um com as suas próprias características em termos de qualidade, velocidade e custo. Escolher o modelo certo não é um mero detalhe de implementação: entre os modelos mais pesados e os mais leves, a diferença de preço ultrapassa dez vezes. Num fluxo de dez mil imagens por mês, esta decisão impacta o seu orçamento mais do que qualquer outra parte da sua arquitetura.
Esta lição detalha as especificidades de cada modelo de visão e fornece-lhe o método para selecionar aquele que melhor se adapta ao seu caso de uso.
Comparação de Modelos de Visão
A tabela abaixo retoma o panorama de abril de 2026 apresentado na Lição 1, adicionando as métricas essenciais para a sua escolha.
| Modelo | Parâmetros | Velocidade | Preço (entrada/1M tokens) | Casos de Uso |
|---|---|---|---|---|
| Mistral Large 3 | ~123B | Moderada | ~$2 | Análise fina, raciocínio complexo |
| Mistral Medium 3.1 | ~70B | Rápida | ~$0.40 | Versátil, melhor relação qualidade-preço |
| Mistral Small 3.2 | ~24B | Muito rápida | ~$0.10 | Alto volume, OCR simples, triagem |
| Ministral 3 14B | 14B | Muito rápida | ~$0.10 | Edge, latência crítica, on-premise |
| Ministral 3 8B | 8B | Ultra rápida | ~$0.10 | Embebido, classificação rápida |
Os preços são indicativos e podem variar — consulte a página de preços da Mistral para dados atualizados.
Mistral Large 3 — A Referência de Qualidade
O Mistral Large 3 é o modelo de destaque para visão. Os seus aproximadamente 123 mil milhões de parâmetros justificam-se em três áreas. Primeiro, a análise fina: um gráfico com legendas sobrepostas, um diagrama técnico anotado ou uma interface de utilizador densa são imagens onde metade da informação reside em letras pequenas e nas relações entre elementos. Segundo, o raciocínio em várias etapas, quando a pergunta vai além da simples descrição: “Observe este gráfico, identifique a tendência e explique as causas prováveis” encadeia três operações onde a terceira depende da precisão das duas primeiras. Por fim, a extração estruturada, onde o objetivo é transformar o conteúdo da imagem num JSON bem formatado, sem inventar nem omitir campos.
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
# Large 3 para análise complexa
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "user",
"content": [
{
"type": "text",
"text": "Analyze this financial chart. Identify the main trends and inflection points."
},
{
"type": "image_url",
"image_url": "https://example.com/financial-chart.png"
}
]
}
]
)
Reserve-o para análises críticas, dados sensíveis e aplicações profissionais onde a precisão prevalece sobre o custo. Interpretar mal o valor de uma fatura custa mais do que a diferença de preço entre dois modelos.
Mistral Small 3.2 — A Escolha Económica
Com cerca de 24 mil milhões de parâmetros, o Small 3.2 oferece uma relação qualidade-preço que o torna o cavalo de batalha dos pipelines. Lida com processamento de alto volume sem dificuldade — centenas ou milhares de imagens por dia — e com OCR simples em texto impresso legível: rótulos, sinais, cabeçalhos de documentos. O seu outro uso preferencial é a triagem: classificar rapidamente imagens para enviar apenas aquelas que realmente o merecem para o modelo pesado.
# Small 3.2 para processamento de alto volume
response = client.chat.complete(
model="mistral-small-latest",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": "Read the text visible on this product label."},
{"type": "image_url", "image_url": "https://example.com/label.jpg"}
]
}
]
)
Esta é a escolha certa para pipelines automatizados, MVPs e qualquer caso onde a velocidade e o custo importam mais do que a perfeição no último percentil.
Ministral 3 — O Modelo Edge
Os modelos Ministral, nas versões 14B e 8B, foram concebidos para implementação on-premise ou edge. O seu valor reside menos na qualidade bruta do que no que permitem: respostas em algumas centenas de milissegundos, execução em GPUs de consumo como a RTX 4090 ou A10G e, acima de tudo, a garantia de que nenhum dado sai da sua infraestrutura. Uma linha de produção que inspeciona peças a sair de uma prensa não pode esperar por uma ida e volta pela rede nem exportar as suas imagens.
# Ministral 14B alojado localmente (via vLLM ou Ollama)
from mistralai.client import Mistral
client = Mistral(
api_key="local",
server_url="http://localhost:8000/v1"
)
response = client.chat.complete(
model="ministral-14b-2512",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": "Does this image contain a manufacturing defect?"},
{"type": "image_url", "image_url": "data:image/jpeg;base64,/9j/4AAQ..."}
]
}
]
)
Note o server_url a apontar para o seu próprio servidor: o resto do código é estritamente idêntico. Os casos de uso típicos incluem inspeção industrial, saúde, ambientes desligados da rede e dados confidenciais.
Árvore de Decisão
Perante um novo projeto, a questão mais discriminatória é a localização: se os dados devem permanecer on-premise, o debate termina com o Ministral 3, escolhendo o 14B para qualidade ou o 8B para um dispositivo embebido. Se a nuvem for aceitável, decida em seguida com base na natureza da carga. A qualidade crítica da análise exige o Mistral Large 3; um grande volume de imagens aponta para o Mistral Small 3.2; e quando nenhuma restrição domina, o Mistral Medium 3.1 oferece o compromisso geral.
Alterar Modelos no Seu Código
O grande trunfo desta API unificada é que a escolha permanece reversível. Mudar de um modelo para outro requer alterar apenas uma linha, sem tocar na construção da mensagem:
# Mudar de Small para Large alterando apenas o modelo
model = "mistral-small-latest" # desenvolvimento, testes
# model = "mistral-large-latest" # produção, qualidade máxima
response = client.chat.complete(model=model, messages=messages)
Esta propriedade permite um encaminhamento inteligente que verá ao longo do curso: o Small realiza a triagem em todo o fluxo, enquanto o Large processa apenas os casos complexos. Num lote onde apenas um décimo das imagens requer análise fina, a poupança é considerável para uma qualidade final inalterada.
Pontos-chave
- O Mistral Large 3 oferece a melhor qualidade, mas ao custo mais elevado
- O Mistral Small 3.2 é ideal para volume e casos de uso simples
- Os modelos Ministral permitem implementação local sem dependência da nuvem
- A API é idêntica para todos os modelos — apenas o parâmetro
modelmuda - O encaminhamento inteligente (Small para triagem, Large para análise) otimiza a relação qualidade-custo