Salt la conținutul principal
Română— Alege o limbă
Meniu

Mistral pe Azure AI

Lecția 11 din 14 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. De ce să utilizați Mistral prin Azure?
  2. Alegerea între serverless și GPU dedicat
  3. Modele disponibile pe Azure
  4. Obținerea credențialelor
  5. Apelarea modelului în Python
  6. Același apel în TypeScript
  7. Valorificarea restului platformei
  8. Puncte cheie

Actualizat la 3 noiembrie 2026: Exemplul TypeScript transmitea anterior process.env.AZUREAI_API_KEY și process.env.AZUREAI_ENDPOINT direct către MistralAzure. Deoarece ambele opțiuni sunt obligatorii, TypeScript 7 în mod strict a refuzat compilarea (verificat cu @mistralai/mistralai-azure 2.1.0). Variabilele de mediu sunt acum validate înainte de construirea clientului. Sursă: SDK @mistralai/mistralai-azure.

De ce să utilizați Mistral prin Azure?

Această întrebare apare rareori din motive tehnice: API-ul direct Mistral funcționează perfect. Ea survine din motive contractuale și organizaționale. O companie deja integrată în ecosistemul Microsoft consumă un angajament Azure negociat, dispune de procese de achiziție stabilite și nu are nicio dorință de a deschide un nou contract cu un furnizor pentru câteva mii de euro în token-uri.

Utilizarea Azure AI consolidează facturarea pe contractul Azure existent, asigură conformitatea cu GDPR prin regiuni europene, oferă integrare nativă cu alte servicii Azure—Azure Functions, Cosmos DB, Azure ML—și oferă suport enterprise Microsoft cu acorduri de nivel de serviciu (SLA) corespunzătoare. Pe scurt: același model, în perimetrul de guvernanță deja aprobat de departamentul dumneavoastră IT.

Alegerea între serverless și GPU dedicat

Azure oferă două abordări, iar alegerea depinde de regularitatea sarcinii de lucru. Modul pay-as-you-go, cunoscut și sub numele de MaaS (Model as a Service), expune un API serverless: nu trebuie să provisionați GPU-uri, plătiți doar pentru token-urile consumate, iar Azure se ocupă singur de scalare. Acesta este modul recomandat pentru majoritatea cazurilor de utilizare, în special cât timp traficul dumneavoastră este neregulat sau imprevizibil.

Endpoint-urile în timp real răspund nevoii opuse. Alegeți tipul și numărul de GPU-uri, infrastructura vă este dedicată, iar facturarea se face pe oră de calcul—fie că modelul lucrează, fie că este inactiv. Un API intern accesat continuu de câteva mii de utilizatori se potrivește acestui model; un prototip accesat de trei ori pe zi va risipi mulți bani aici. Rețineți regula: acest mod este recomandat pentru sarcini de lucru cu throughput ridicat și predictibile.

Modele disponibile pe Azure

Documentația Mistral listează următoarele modele pe Azure (listă preluată la 2 noiembrie 2026). Catalogul evoluează regulat: consultați pagina oficială pentru lista actuală.

ModelPoziționare
Mistral Medium 3.5Echilibru bun performanță/cost
Mistral Large 3 (25.12)Modelul flagship pentru sarcini complexe
Mistral Small (25.06)Rapid și economic
Codestral (25.01)Specializat în generarea de cod
Ministral 3B (24.10)Model compact pentru sarcini ușoare
Document AI (OCR 4)Extragerea textului și a structurii din documente

Obținerea credențialelor

Recuperarea credențialelor se face prin interfața Azure și durează câteva minute:

  1. Accesați Microsoft Foundry
  2. Creați un proiect sau selectați unul existent
  3. Implementați un model Mistral din catalogul de modele
  4. Recuperați endpoint-ul și cheia API de pe pagina de implementare

Plasați aceste două valori în variabile de mediu, exact ca și cheia directă Mistral. Diferența constă în endpoint: fiecare implementare Azure are propriul său; nu există un URL comun.

export AZUREAI_ENDPOINT="https://your-endpoint.inference.ai.azure.com"
export AZUREAI_API_KEY="your-azure-secret-key"

Apelarea modelului în Python

SDK-ul Mistral oferă un client Azure dedicat, MistralAzure, inclus în pachetul mistralai: îi transmiteți URL-ul de implementare și cheia, iar restul codului este identic cu ceea ce scrieți pentru API-ul direct. Începând cu versiunea SDK 2.0 (martie 2026), acesta se importă din mistralai.azure.client.

import os
from mistralai.azure.client import MistralAzure

client = MistralAzure(
    server_url=os.environ["AZUREAI_ENDPOINT"],
    api_key=os.environ["AZUREAI_API_KEY"],
)

response = client.chat.complete(
    model="azureai",  # Identificator așteptat de endpoint-urile Azure
    messages=[
        {"role": "user", "content": "Care sunt beneficiile cloud-ului suveran în Europa?"}
    ]
)

print(response.choices[0].message.content)

Cel mai confuz aspect rezidă în parametrul model. Vă așteptați să scrieți mistral-large-latest; în schimb, trebuie să puneți azureai. Motivul este simplu: modelul este deja determinat de implementarea pe care ați creat-o în partea Azure; endpoint-ul pointează către el și doar către el. Prin urmare, schimbarea modelelor înseamnă schimbarea endpoint-urilor, nu schimbarea unui șir de caractere în cod.

Streaming-ul, totuși, nu se schimbă cu nimic față de API-ul direct—aceeași metodă, același nivel .data pentru a ajunge la conținutul fragmentului. Acesta este întregul scop al unui SDK unificat: codul pe care l-ați scris în lecțiile anterioare funcționează ca atare.

stream = client.chat.stream(
    model="azureai",
    messages=[
        {"role": "user", "content": "Descrieți arhitectura unui data lake pe Azure."}
    ]
)

for chunk in stream:
    content = chunk.data.choices[0].delta.content
    if content:
        print(content, end="", flush=True)

Același apel în TypeScript

În partea de TypeScript, clientul Azure este publicat într-un pachet separat, @mistralai/mistralai-azure, instalat cu npm add @mistralai/mistralai-azure. Opțiunile sale urmează convenția de denumire JavaScript: apiKey și endpoint, ambele fiind obligatorii. De aici necesitatea validării variabilelor de mediu, fără care modul strict refuză compilarea, deoarece o variabilă de mediu ar putea lipsi:

import { MistralAzure } from '@mistralai/mistralai-azure';

const apiKey = process.env.AZUREAI_API_KEY;
const endpoint = process.env.AZUREAI_ENDPOINT;
if (!apiKey || !endpoint) {
  throw new Error('Setați AZUREAI_API_KEY și AZUREAI_ENDPOINT.');
}

const client = new MistralAzure({ apiKey, endpoint });

const response = await client.chat.complete({
  model: 'azureai',
  messages: [
    { role: 'user', content: 'Cum să securizați un Azure Key Vault?' },
  ],
});

console.log(response.choices[0]?.message?.content);

Surse: Mistral pe Azure (documentație Mistral) · SDK TypeScript @mistralai/mistralai-azure

Valorificarea restului platformei

Odată ce apelul funcționează, valorificați serviciile pe care le plătiți deja. Stocați cheile în Azure Key Vault în loc de variabile de mediu: rotația devine o operațiune administrativă, nu o re-implementare. Activați jurnalele de diagnostic pe endpoint-ul dumneavoastră pentru a monitoriza latența și erorile, singura modalitate de a distinge încetineala modelului de încetineala codului. Alegeți o regiune europeană, West Europe sau France Central, pentru a rămâne conform cu GDPR—acesta este adesea chiar motivul alegerii Azure. În final, configurați alerte Azure Monitor privind consumul de token-uri: o buclă închisă defectuos într-un job nocturn apare pe factură mult mai târziu decât într-o alertă.

Puncte cheie

  • Azure AI oferă Mistral în moduri serverless (MaaS) sau GPU dedicat
  • Modelul este identificat prin "azureai" în apelurile API
  • Clientul MistralAzure primește endpoint-ul prin server_url (Python, mistralai.azure.client) sau endpoint (TypeScript, @mistralai/mistralai-azure)
  • Integrarea cu ecosistemul Azure (Key Vault, Monitor, Functions) este un avantaj major pentru întreprinderi
  • Alegeți o regiune europeană pentru a rămâne conform cu GDPR