Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Úvod do Vision prostredníctvom Mistral API

Lekcia 1 z 12 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Čo je Vision API?
  2. Prečo používať Mistral Vision?
  3. Dostupné modely Vision
  4. Tvoje prvé volanie Vision
  5. Štruktúra multimodálnej správy
  6. Čo sa v tomto kurze naučíš
  7. Kľúčové poznatky

Aktualizácia 2. novembra 2026 — modely. Mistral Large 3 (mistral-large-2512) a Mistral Medium 3.5 sú od 31. októbra 2026 zastarané a budú vyradené 30. apríla 2027. Ich určený nástupca, Mistral Large 4 (mistral-large-4), je vo verejnej náhľade od 6. októbra. Príklady v tomto kurze používajú alias mistral-large-latest, ktorý podľa svojej oficiálnej špecifikácie (overené 3. novembra 2026) stále odkazuje na Mistral Large 3. Podobne mistral-medium-latest odkazuje na Mistral Medium 3.5. Tieto aliasy zostanú platné do 30. apríla 2027. Pre nové projekty otestuj mistral-large-4, ich určeného nástupcu.

Čo je Vision API?

Jazykové modely sa už neobmedzujú len na text. Od roku 2024 ponúka Mistral AI multimodálne modely schopné súčasne analyzovať text aj obrázky. Táto schopnosť, nazývaná Vision, mení povahu práce, ktorú môžeš automatizovať: odfotená faktúra, snímka obrazovky s dashboardom alebo technický diagram prestáva byť nepriehľadnou prílohou, ktorú musí otvoriť človek. Namiesto toho sa stávajú vstupmi, ktoré tvoj kód dopytuje presne tak, ako by dopytoval reťazec.

Rozsah je široký: analýza dokumentov, čítanie grafov a extrakcia vizuálnych dát. Účtovná firma, ktorá mesačne dostane tristo naskenovaných bločkov, môže požiadať model o prečítanie súm; produktový tím môže automaticky opisovať snímky obrazovky odoslané používateľmi. V tomto kurze sa naučíš využívať Mistral Vision API na integráciu tohto typu analýzy do svojich aplikácií v Pythone. Každá lekcia kombinuje vysvetlenie mechanizmu s kódom pripraveným na použitie.

Prečo používať Mistral Vision?

Prvým argumentom je absencia technického narušenia. Voláš ten istý koncový bod chat.complete() používaný pre text: nemusíš sa učiť žiadne samostatné API ani inštalovať odlišného klienta. Jednoducho pridáš obrázky do správy. Projekt už postavený na generovaní textu pojme vision bez potreby redesignu.

Druhým je výber modelu. Od najvýkonnejšieho, Mistral Large 3, až po najľahší z rodiny Ministral 3, upravíš kompromis medzi kvalitou a nákladmi podľa svojho prípadu: ťažký model na jemnú analýzu finančného grafu, ľahký model na triedenie desaťtisícov fotografií podľa kategórie. Túto úpravu vykonáš v jednom riadku kódu, ako uvidíš v lekcii 3.

Platia ešte dve strategické úvahy. Formát správy nasleduje štandard podobný OpenAI, čo uľahčuje migráciu od iného poskytovateľa: kód na zostavovanie správ zostáva prakticky nezmenený. A keďže Mistral je francúzska spoločnosť, tvoje dáta môžu zostať v Európe, čo je často rozhodujúci faktor, ak obrázky obsahujú osobné alebo zmluvné informácie.

Dostupné modely Vision

Päť modelov Mistral podporuje vision. Každý je identifikovaný ID API, ktoré odovzdáš do parametra model.

ModelAPI IDPrimárne použitie
Mistral Large 3mistral-large-2512Komplexná analýza, najvyššia kvalita
Mistral Medium 3.5mistral-medium-latestDobrý pomer kvality a rýchlosti
Mistral Small 4mistral-small-latestBežné použitie, rýchle a ekonomické
Ministral 3 14Bministral-14b-2512Edge computing, nízka latencia
Ministral 3 8Bministral-8b-2512Vstavané systémy, obmedzené zdroje

Všetky tieto modely prijímajú obrázky ako vstup prostredníctvom Chat Completions API. Inými slovami, kód, ktorý sa chystáš napísať, bude fungovať identicky so všetkými piatimi.

V tejto tabuľke koexistujú dve formy identifikátorov a výber medzi nimi je architektonickým rozhodnutím. Aliasy -latest automaticky sledujú aktuálnu verziu modelu: tvoje volania benefitujú z vylepšení bez zásahu do kódu, za cenu správania, ktoré sa môže meniť pod tvojimi nohami. Dátumové identifikátory ako mistral-large-2512 pripnú konkrétnu verziu: správanie zostáva stabilné, ale musíš sledovať zastarávanie. Použi alias pre prototyp; pre produkčné pipeline s overenými výstupmi pripni verziu a naplánuj si aktualizácie.

Tvoje prvé volanie Vision

Tu je minimálny príklad odoslania obrázka do Mistralu a získania popisu:

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)

Jeden detail odlišuje toto volanie od štandardného textového volania a zaslúži si pozornosť: pole content používateľskej správy je pole (zoznam) namiesto jednoduchého reťazca. Táto štruktúra umožňuje miešať text a obrázky v rámci jedného kola konverzácie.

Štruktúra multimodálnej správy

Štandardná správa obsahujúca iba text sa zmestí na jeden riadok:

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

Multimodálna správa nahradí tento reťazec zoznamom typovaných prvkov, pričom každý je oznámený svojím poľom type:

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

Nič ťa nenúti obmedziť sa na jeden prvok každého druhu. Do jednej správy môžeš zahrnúť viacero prvkov text aj image_url. To ti presne umožňuje napríklad predložiť referenčný obrázok a následne obrázok na porovnanie, pričom každý uvedieš vetou. Podrobne sa tomu budeme venovať v nasledujúcich lekciách.

Čo sa v tomto kurze naučíš

Tento kurz pozostávajúci z 12 lekcií postupuje od mechanizmu k aplikácii. Lekcie 1 až 3 pokrývajú multimodálne modely: čo sa presne deje, keď obrázok vstúpi do modelu, a ako vybrať ten, ktorý sedí tvojej záťaži. Lekcie 4 až 6 sa venujú odosielaniu obrázkov, či už cez URL, v Base64, a následne viacerých obrázkov v jednej správe. Lekcie 7 až 10 prejdú konkrétne prípady použitia – analýzu grafov, OCR, štruktúrovanú extrakciu a porovnávanie obrázkov. Lekcie 11 a 12 uzavrú tému obmedzeniami, optimalizáciou nákladov a možnými rozšíreniami.

Kľúčové poznatky

  • Mistral Vision API používa rovnaký koncový bod ako textový chat
  • Používateľská správa sa stáva poľom obsahujúcim prvky text a image_url
  • Päť modelov podporuje vision, od najvýkonnejších po najľahšie
  • Mistral je vhodnou voľbou pre projekty vyžadujúce európsku dátovú suverenitu