Kombinera modaliteter: Multimodala arbetsflöden
På denna sida
Uppdatering 2 november 2026 — Le Chat blir Vibe. Sedan den 28 maj 2026 har Le Chat bytt namn till Vibe (fortfarande på chat.mistral.ai): en enda agent för arbete och kod som behåller dina konversationer, inställningar och prenumerationer. Den äldre versionen av Le Chat finns fortfarande tillgänglig i läget Chat; i läget Work har agenter blivit färdigheter (anropas med
@), minnen fungerar som kunskapsbas och djupgående research är nu färdigheten Deep Research. Abonnemangen heter nu Mistral Free, Pro, Team och Enterprise. I denna lektion använder vi namnet Vibe; notera att vissa menyer som beskrivs här kan ha bytt namn eller plats.
Kraften i kombinerad multimodalitet
Under hela denna kurs har du utforskat tre kärnfunktioner hos Mistral AI: vision för bildanalys, ljud för transkribering och talgenerering, samt dokumentbehandling med intelligent OCR. Var för sig är de imponerande. Men när du kombinerar dem i ett enda arbetsflöde frigör du deras fulla potential: källor korsbefruktar och kompletterar varandra, vilket ger resultat som överträffar vad någon enskild modalitet skulle kunna åstadkomma på egen hand. Denna lektion visar dig hur du orkestrerar dessa kombinationer.
Bild + text: Mer än bara beskrivning
Det vanligaste användningsfallet handlar om att berika en bild med precisa textinstruktioner. Skillnaden mellan en svag prompt och en rik är dramatisk. Ta en skärmdump av en PowerPoint-bild: “Beskriv den här bilden” ger en tråkig parafras. Men “Här är en bild från vår investerarpresentation. Formulera om huvudbudskapet för en allmän publik” eller “Den här bilden visar våra kvartalsresultat. Identifiera de tre viktigaste siffrorna och föreslå en catchy rubrik” utnyttjar både modellens visuella förståelse och dess skrivförmåga – vilket gör resultatet direkt användbart.
Samma princip gäller för fältfoton. “Här är ett foto av vår monter på mässan. Föreslå förbättringar för att locka fler besökare” gör modellen till en konsult; “Detta foto visar vår nuvarande kontorslayout. Föreslå en omorganisering för att förbättra samarbetet” gör den till en planerare av lokaler. I båda fallen styr textkontexten modellens fokus.
Du kan också kombinera flera bilder med en jämförande instruktion: tre designskisser åtföljda av “Ranka dessa skisser efter visuell tydlighet och motivera din rangordning”, eller ett före-och-efter-foto på en renovering med “Uppskatta hur många procent arbetet är klart och identifiera återstående uppgifter.”
Ljud + dokument: Den smarta sammanfattningen
Ett särskilt kraftfullt arbetsflöde korsar ljudtranskribering med dokumentanalys. Det klassiska scenariot är ett möte: ladda först upp dagordningen (PDF) till Vibe, sedan mötesinspelningen, och fråga slutligen: “Här är dagordningen och inspelningen från vårt möte. Sammanfatta vad som beslutades för varje punkt på dagordningen och lista åtgärdspunkterna.” Modellen korsrefererar båda källorna för att producera en strukturerad, punkt-för-punkt-sammanfattning – medan en ren transkribering bara skulle ge dig ett långt ordagrant utskrift att redigera, och dagordningen ensam skulle vara ett tomt skal.
Varianten för studenter fungerar lika bra: ladda upp kursens PDF-bilder, sedan professorinspelningen, och be “Skapa omfattande repetitionsanteckningar genom att kombinera bilderna med professorns muntliga förklaringar.” Bilderna ger struktur och exakta definitioner; ljudet lägger till förklaringar, exempel och betoningar. De slutgiltiga anteckningarna blir betydligt rikare än vad någon av källorna skulle kunna erbjuda separat.
Fyra professionella arbetsflöden att efterlikna
För konkurrensbevakning, ta skärmdumpar av tre konkurrenters startsidor, ladda upp dem till Vibe och fråga: “Jämför dessa tre startsidor. Identifiera styrkor och svagheter hos var och en när det gäller budskap, design och uppmaning till handling.”
För kundonboarding, ladda upp det signerade avtalet (PDF) följt av kundens brief (dokument eller bild), och fråga: “Sammanfatta de avtalsenliga åtagandena och korsreferera dem med briefens förväntningar. Finns det några inkonsekvenser?” Att fånga dessa missmatch tidigt förhindrar att du mitt i projektet upptäcker att ett säljlöfte inte finns med i avtalet.
För evenemangsanalys, kombinera tre källor: foton från evenemanget, ljudinspelningar av tal och programmet (PDF), och fråga sedan: “Skapa en rapport efter evenemanget som lyfter fram nyckelögonblick, minnesvärda citat och en utvärdering av hur väl programmet täcktes.”
För intern utbildning, vänd på flödet: spela in din muntliga förklaring av en process, låt Vibe transkribera den, be “Gör om denna transkribering till en strukturerad procedurguide med numrerade steg”, lägg sedan till skärmdumpar med “Integrera beskrivningar av dessa skärmdumpar som illustrationer för varje steg.” På fyra meddelanden blir en improviserad förklaring till formell dokumentation.
Få maskineriet att flyta smidigt
Några vanor gör dessa arbetsflöden betydligt smidigare. Kontextualisera varje fil du laddar upp – “Detta är dagordningen”, “Här är motsvarande inspelning” – så att modellen kopplar ihop källorna korrekt. För komplexa arbetsflöden, gå steg för steg: istället för att skicka allt i ett enda meddelande, bygg konversationen meddelande för meddelande och validera varje steg innan du går vidare. Namnge dina filer explicit innan uppladdning: “rapport-q3-2026.pdf” informerar modellen; “dokument.pdf” gör det inte. Och kom ihåg att röstläge i sig är en inmatningsmodalitet: för långa instruktioner, diktera dem istället för att skriva ett stycke.
Viktiga punkter
- Att kombinera bild + text + ljud + dokument i ett enda arbetsflöde mångfaldigar möjligheterna
- De mest kraftfulla arbetsflödena korsrefererar flera källor: mötesljud + dagordning, foton + kundbrief
- Kontextualisera varje uppladdad fil för att hjälpa modellen att göra rätt kopplingar
- Arbeta steg för steg i komplexa arbetsflöden istället för att skicka allt på en gång
- Röstläge kan fungera som ett inmatningsverktyg för detaljerade instruktioner