Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Escolher o Seu Modelo de Visão Mistral

Aula 3 de 12 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. Qual modelo para qual caso de uso?
  2. Comparação de Modelos de Visão
  3. Mistral Large 3 — A Referência de Qualidade
  4. Mistral Small 3.2 — A Escolha Económica
  5. Ministral 3 — O Modelo Edge
  6. Árvore de Decisão
  7. Alterar Modelos no Seu Código
  8. Pontos-chave

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 model muda
  • O encaminhamento inteligente (Small para triagem, Large para análise) otimiza a relação qualidade-custo