Uvod v vizijo prek API-ja Mistral
Na tej strani
Posodobitev 2. novembra 2026 — modeli. Mistral Large 3 (
mistral-large-2512) in Mistral Medium 3.5 sta zastarela od 31. oktobra 2026 in bosta umaknjena 30. aprila 2027. Njun določeni naslednik, Mistral Large 4 (mistral-large-4), je v javnem predogledu od 6. oktobra. Primeri v tem tečaju uporabljajo vzdevekmistral-large-latest, ki še vedno kaže na Mistral Large 3 glede na njegovo uradno specifikacijo (preverjeno 3. novembra 2026). Podobnomistral-medium-latestkaže na Mistral Medium 3.5. Ti vzdevki bodo veljavni do 30. aprila 2027. Za nove projekte preizkusitemistral-large-4, njunega določenega naslednika.
Kaj je Vision API?
Jezikovni modeli se ne ustavijo več pri besedilu. Mistral AI od leta 2024 ponuja večmodalne modele, ki zmorejo hkrati analizirati besedilo in slike. Ta zmožnost, imenovana Vision, spreminja naravo dela, ki ga lahko avtomatizirate: fotografiran račun, posnetek zaslona nadzorne plošče ali tehnični diagram ne ostanejo več neprozorna priloga, ki jo mora odpreti človek. Namesto tega postanejo vhodi, ki jih poizveduje vaša koda, popolnoma enako, kot bi poizvedovala niz.
Obseg je širok: analiza dokumentov, branje grafov in vizualno pridobivanje podatkov. Računovodska družba, ki mesečno prejme tristo skeniranih računov, lahko model prosi, naj prebere zneske; ekipa za izdelek lahko samodejno opiše posnetke zaslona, ki jih oddajo uporabniki. V tem tečaju se boste naučili izkoristiti Mistral Vision API za integracijo te vrste analize v svoje aplikacije Python. Vsaka lekcija združuje razlago mehanizma s kodo, pripravljenega za uporabo.
Zakaj uporabljati Mistral Vision?
Prvi argument je odsotnost tehničnih motenj. Kličete isto končno točko chat.complete(), ki se uporablja za besedilo: ni treba se učiti ločenega API-ja ali ustvarjati posebnega odjemalca. Slikam preprosto dodate sporočilu. Projekt, že zgrajen na generiranju besedila, sprejme vizijo brez potrebe po preoblikovanju.
Drugi argument je izbira modela. Od najzmogljivejšega, Mistral Large 3, do najlažjega v družini Ministral 3, prilagodite razmerje med kakovostjo in stroški svojemu primeru: težek model za podrobno analizo finančnega grafa, lahek model za razvrščanje deset tisoč fotografij po kategorijah. To prilagoditev opravite v eni sami vrstici kode, kot boste videli v 3. lekciji.
Veljata še dve strateški premisleki. Oblika sporočila sledi standardu, podobnemu OpenAI, kar olajša selitev od drugega ponudnika: koda za gradnjo sporočil ostane praktično nespremenjena. Ker je Mistral francosko podjetje, lahko vaši podatki ostanejo v Evropi, kar je pogosto odločilni dejavnik, ko slike vsebujejo osebne ali pogodbene informacije.
Razpoložljivi modeli za vizijo
Pet modelov Mistral podpira vizijo. Vsak je identificiran z ID-jem API-ja, ki ga posredujete parametru model.
| Model | ID API-ja | Primarni primer uporabe |
|---|---|---|
| Mistral Large 3 | mistral-large-2512 | Kompleksna analiza, najvišja kakovost |
| Mistral Medium 3.5 | mistral-medium-latest | Dobro razmerje med kakovostjo in hitrostjo |
| Mistral Small 4 | mistral-small-latest | Vsakodnevna uporaba, hiter in ekonomičen |
| Ministral 3 14B | ministral-14b-2512 | Robno računanje, nizka zakasnitev |
| Ministral 3 8B | ministral-8b-2512 | Vgrajeni sistemi, omejeni viri |
Vsi ti modeli sprejemajo slike kot vhod prek API-ja Chat Completions. Z drugimi besedami, koda, ki jo boste napisali, bo delovala enako za vseh pet.
V tej tabeli sobivata dve obliki identifikatorjev in izbira med njima je arhitekturna odločitev. Vzdevki -latest samodejno sledijo trenutni različici modela: vaši klici imajo korist od izboljšav brez dotikanja vaše kode, vendar na račun vedenja, ki se lahko spremeni pod vašimi nogami. Datirani identifikatorji, kot je mistral-large-2512, pripnejo določeno različico: vedenje ostane stabilno, vendar morate spremljati zastaranje. Vzdevek uporabite za prototip; za proizvodni cevovod z validiranimi izhodi pripnite različico in načrtujte svoje nadgradnje.
Vaš prvi klic Vision
Tukaj je minimalen primer za pošiljanje slike Mistralu in pridobivanje opisa:
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)
Ena podrobnost ločuje ta klic od standardnega besedilnega klica in si zasluži pozornost: polje content uporabniškega sporočila je polje (seznam) namesto preprostega niza. Ta struktura omogoča mešanje besedila in slik v enem samem krogu.
Struktura večmodalnega sporočila
Standardno sporočilo samo z besedilom se prilega v eno vrstico:
{"role": "user", "content": "Hello, how are you?"}
Večmodalno sporočilo nadomesti ta niz s seznamom tipiziranih elementov, od katerih je vsak napovedan s svojim poljem type:
{
"role": "user",
"content": [
{"type": "text", "text": "Your question here"},
{"type": "image_url", "image_url": "URL or data URI of the image"}
]
}
Nič vas ne sili, da se omejite na en element vsake vrste. V eno samo sporočilo lahko vključite več elementov text in image_url. To vam natančno omogoča, da na primer predstavite referenčno sliko in nato sliko za primerjavo, pri čemer vsako uvedete z stavkom. To bomo podrobneje obravnavali v naslednjih lekcijah.
Kaj se boste naučili v tem tečaju
Ta tečaj z 12 lekcijami napreduje od mehanizma do aplikacije. Lekcije od 1 do 3 pokrivajo večmodalne modele: kaj se dejansko zgodi, ko slika vstopi v model, in kako izbrati tistega, ki ustreza vaši obremenitvi. Lekcije od 4 do 6 pokrivajo pošiljanje slik, po URL-ju, v Base64 in nato več slik v enem samem sporočilu. Lekcije od 7 do 10 vas popeljejo skozi konkretne primere uporabe – analizo grafov, OCR, strukturirano ekstrakcijo in primerjavo slik. Lekciji 11 in 12 temo zaključita z omejitvami, optimizacijo stroškov in možnimi razširitvami.
Ključne ugotovitve
- Mistral Vision API uporablja isto končno točko kot besedilni klepet
- Uporabniško sporočilo postane polje, ki vsebuje elemente
textinimage_url - Pet modelov podpira vizijo, od najzmogljivejšega do najlažjega
- Mistral je ustrezna izbira za projekte, ki zahtevajo evropsko suverenost podatkov