Salt la conținutul principal
Română— Alege o limbă
Meniu

Introducere în Vision prin API-ul Mistral

Lecția 1 din 12 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Ce este API-ul Vision?
  2. De ce să utilizați Mistral Vision?
  3. Modelele Vision disponibile
  4. Primul dumneavoastră apel Vision
  5. Structura unui mesaj multimodal
  6. Ce veți învăța în acest curs
  7. Puncte cheie

Actualizare 2 noiembrie 2026 — modele. Mistral Large 3 (mistral-large-2512) și Mistral Medium 3.5 au fost depreciate începând cu 31 octombrie 2026 și vor fi retrase pe 30 aprilie 2027. Succesorul lor desemnat, Mistral Large 4 (mistral-large-4), se află în previzualizare publică din 6 octombrie. Exemplele din acest curs utilizează aliasul mistral-large-latest, care indică încă Mistral Large 3 conform specificației oficiale (verificat la 3 noiembrie 2026). În mod similar, mistral-medium-latest indică Mistral Medium 3.5. Aceste aliasuri vor rămâne valabile până pe 30 aprilie 2027. Pentru proiecte noi, testați mistral-large-4, succesorul lor desemnat.

Ce este API-ul Vision?

Modelele lingvistice nu se mai opresc la text. Începând cu 2024, Mistral AI oferă modele multimodale capabile să analizeze simultan text și imagini. Această capacitate, numită Vision, schimbă natura sarcinilor pe care le puteți automatiza: o factură fotografiată, o captură de ecran a unui tablou de bord sau o diagramă tehnică încetează să mai fie un atașament opac pe care un om trebuie să îl deschidă. În schimb, acestea devin intrări pe care codul dumneavoastră le interoghează, exact așa cum ar interoga un șir de caractere.

Domeniul de aplicare este vast: analiza documentelor, citirea graficelor și extragerea datelor vizuale. O firmă de contabilitate care primește trei sute de chitanțe scanate pe lună poate cere modelului să citească sumele; o echipă de produs poate descrie automat capturile de ecran trimise de utilizatori. În acest curs, veți învăța să exploatați API-ul Mistral Vision pentru a integra acest tip de analiză în aplicațiile dumneavoastră Python. Fiecare lecție combină o explicație a mecanismului cu cod gata de utilizare.

De ce să utilizați Mistral Vision?

Primul argument este absența rupturii tehnice. Apelați același endpoint chat.complete() utilizat pentru text: nu există un API separat de învățat, nici un client distinct de instanțiat. Adăugați pur și simplu imagini în mesaj. Un proiect deja construit pe generarea de text integrează vision fără o reproiectare.

Al doilea argument este alegerea modelului. De la cel mai puternic, Mistral Large 3, până la cel mai ușor din familia Ministral 3, ajustați compromisul calitate/cost cazului dumneavoastră: un model greu pentru analiza detaliată a unui grafic financiar, un model ușor pentru a sorta zece mii de fotografii pe categorii. Faceți această ajustare într-o singură linie de cod, așa cum veți vedea în Lecția 3.

Două alte considerații strategice se aplică. Formatul mesajului urmează standardul de tip OpenAI, ceea ce facilitează migrarea de la un alt furnizor: codul pentru construirea mesajelor rămâne practic neschimbat. Și deoarece Mistral este o companie franceză, datele dumneavoastră pot rămâne în Europa, un factor adesea decisiv atunci când imaginile conțin informații personale sau contractuale.

Modelele Vision disponibile

Cinci modele Mistral suportă vision. Fiecare este identificat printr-un ID API pe care îl transmiteți parametrului model.

ModelID APICaz de utilizare principal
Mistral Large 3mistral-large-2512Analiză complexă, calitate maximă
Mistral Medium 3.5mistral-medium-latestEchilibru bun calitate/viteză
Mistral Small 4mistral-small-latestUtilizare curentă, rapid și economic
Ministral 3 14Bministral-14b-2512Edge computing, latență redusă
Ministral 3 8Bministral-8b-2512Sisteme încorporate, resurse limitate

Toate aceste modele acceptă imagini ca intrare prin API-ul Chat Completions. Cu alte cuvinte, codul pe care sunteți pe cale să îl scrieți va funcționa identic cu toate cele cinci.

Două forme de identificatori coexistă în acest tabel, iar alegerea între ele este o decizie arhitecturală. Aliasurile -latest urmăresc automat versiunea curentă a modelului: apelurile dumneavoastră beneficiază de îmbunătățiri fără a atinge codul, cu costul unui comportament care se poate evolua sub picioarele dumneavoastră. Identificatorii datați, precum mistral-large-2512, fixează o versiune specifică: comportamentul rămâne stabil, dar trebuie să urmăriți deprecierile. Utilizați aliasul pentru un prototip; pentru un pipeline de producție cu ieșiri validate, fixați versiunea și planificați-vă upgrade-urile.

Primul dumneavoastră apel Vision

Iată un exemplu minimal pentru a trimite o imagine către Mistral și a obține o descriere:

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)

Un detaliu distinge acest apel de un apel text standard și merită atenție: câmpul content al mesajului utilizatorului este un tablou (o listă) în loc de un simplu șir de caractere. Această structură este ceea ce permite amestecarea textului și a imaginilor într-un singur tur.

Structura unui mesaj multimodal

Un mesaj standard, doar text, încap pe o singură linie:

{"role": "user", "content": "Hello, how are you?"}

Un mesaj multimodal înlocuiește acel șir cu o listă de elemente tipizate, fiecare fiind anunțat de câmpul său type:

{
    "role": "user",
    "content": [
        {"type": "text", "text": "Your question here"},
        {"type": "image_url", "image_url": "URL or data URI of the image"}
    ]
}

Nimic nu vă obligă să vă limitați la un singur element de fiecare fel. Puteți include multiple elemente text și image_url într-un singur mesaj. Acest lucru este exact ceea ce vă permite, de exemplu, să prezentați o imagine de referință și apoi o imagine de comparat, introducând fiecare printr-o propoziție. Vom aborda acest aspect în detaliu în lecțiile următoare.

Ce veți învăța în acest curs

Acest curs de 12 lecții progresează de la mecanism la aplicație. Lecțiile 1 până la 3 acoperă modelele multimodale: ce se întâmplă efectiv când o imagine intră în model și cum să îl alegeți pe cel care se potrivește sarcinii dumneavoastră. Lecțiile 4 până la 6 acoperă trimiterea imaginilor, prin URL, în Base64 și apoi multiple imagini într-un singur mesaj. Lecțiile 7 până la 10 parcurg cazuri de utilizare concrete — analiza graficelor, OCR, extragerea structurată și compararea imaginilor. Lecțiile 11 și 12 încheie subiectul cu limitele, optimizarea costurilor și extensiile posibile.

Puncte cheie

  • API-ul Mistral Vision utilizează același endpoint ca și chat-ul text
  • Mesajul utilizatorului devine un tablou conținând elemente text și image_url
  • Cinci modele suportă vision, de la cel mai puternic la cel mai ușor
  • Mistral este o alegere relevantă pentru proiectele care necesită suveranitatea datelor europene