Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Modeller som stöds och kompatibilitet

Lektion 3 av 12 Uppdaterad 2 november 2026 Utvecklare
På denna sida
  1. Kompatibilitet för Mistral-modeller
  2. Kärnmodeller
  3. Välja rätt modell
  4. Parametern temperature
  5. Kontrollera kompatibilitet programmatiskt
  6. Viktiga punkter

Kompatibilitet för Mistral-modeller

Inte alla Mistral-modeller hanterar strukturerade utdata på samma sätt. Innan du skriver en enda rad kod måste du verifiera att din målmodell stöder den metod du har valt. Denna kontroll på trettio sekunder sparar dig från att stöta på ett obegripligt API-fel i slutet av utvecklingen.

Här är de goda nyheterna i en mening: nästan alla Mistral-modeller stöder strukturerade utdata, både i JSON-läge och med anpassade strukturerade utdata. Det enda undantaget, codestral-mamba, togs ur bruk av Mistral i juni 2025.

Kärnmodeller

Här är de vanligaste modellerna och deras kompatibilitetsstatus (från och med april 2026):

ModellKompatibilitetTypiskt användningsområde
mistral-large-latestFullt stöd (JSON-läge + Anpassat)Komplexa uppgifter som kräver tillförlitliga strukturerade utdata
mistral-medium-latestFullt stödBästa balans mellan prestanda och kostnad för produktionsflöden
mistral-small-latestFullt stödEnkla uppgifter (klassificering, grundläggande entitetsutvinning) med begränsad budget
ministral-8b-latestFullt stödLättviktig utvinning med minimal latens
ministral-3b-latestFullt stödDet lättaste alternativet när hastighet väger tyngre än komplexitet
codestral-latestFullt stödOptimerad för kod, men fungerar även för icke-kodrelaterade uppgifter
mistral-embedEj tillämpligtInbäddningsmodell; genererar ingen text

De allmänna modellerna Large, Medium och Small täcker de flesta behov, medan Ministral-familjen hanterar krav på låg latens.

Välja rätt modell

Under prototypfasen bör du använda mistral-small-latest eller ministral-8b-latest. De är snabba, billiga och mer än tillräckliga för att validera att ditt schema håller och att din prompt säger det du tror att den säger. Att betala för den kraftfullaste modellen bara för att upptäcka att ett fält har fel namn är slöseri.

# Prototyp — lättviktig modell
response = client.chat.parse(
    model="ministral-8b-latest",
    messages=messages,
    response_format=MonSchema
)

I produktion ändras kriterierna. Utvinning av flera fält, nyanserad sentimentanalys eller finmaskig klassificering motiverar användningen av mistral-large-latest. Å andra sidan fungerar en enkel uppgift som bearbetas i hög volym fortfarande utmärkt på mistral-small-latest. Notera tillägget av temperature=0 här; vi kommer att gå igenom den parametern i detalj nedan.

# Produktion — kraftfull modell
response = client.chat.parse(
    model="mistral-large-latest",
    messages=messages,
    response_format=MonSchema,
    temperature=0  # Maximal reproducerbarhet
)

Tänk slutligen på flöden med hög frekvens där latens är den dominerande begränsningen. Om du bearbetar tusentals förfrågningar per minut – till exempel för ticket-klassificering eller e-postsortering – erbjuder ministral-8b-latest bäst förhållande mellan latens och kvalitet. Att sätta ett tak för maxTokens förhindrar att modellen dröjer sig kvar vid alltför långa svar.

// TypeScript — flöde med hög frekvens
const response = await client.chat.parse({
  model: "ministral-8b-latest",
  messages,
  responseFormat: MonSchema,
  maxTokens: 128,  // Gräns för hastighet
});

Parametern temperature

En punkt förtjänar din uppmärksamhet: temperature påverkar variationen i utdata även i strukturerat läge. Vid 0 är utdata deterministisk. Detta är den rekommenderade inställningen för produktion och överallt där reproducerbarhet spelar roll – två körningar på samma dokument måste ge samma post. Mellan 0.1 och 0.3 introducerar du en liten variation, vilket bara är användbart om du vill ha olika formuleringar i fritextfält som en sammanfattning. Från 0.7 och uppåt blir variationen stark, och modellen kan producera inkonsekventa värden. Undvik detta vid strukturerade utdata.

Kontrollera kompatibilitet programmatiskt

I produktion, istället för att förlita dig på en statisk lista, fånga felet som returneras av SDK:n när en modell inte kan uppfylla begäran:

from mistralai.client import Mistral
from mistralai.client.errors import SDKError

client = Mistral(api_key=api_key)

try:
    response = client.chat.parse(
        model=modele,  # identifierare läst från din konfiguration
        messages=[{"role": "user", "content": "Test"}],
        response_format=MonSchema
    )
except SDKError as e:
    print(f"Modellen är inte kompatibel: {e}")

Denna vana förblir värdefull över tid. Mistral släpper regelbundet nya modeller, och stöd för strukturerade utdata har blivit en standard som nya generationer stöder systematiskt. Konsultera den officiella dokumentationen för den aktuella listan innan du låser ett identifierare i din konfiguration.

Viktiga punkter

  • Nuvarande Mistral-modeller stöder strukturerade utdata; det historiska undantaget, codestral-mamba, togs ur bruk i juni 2025
  • Använd temperature: 0 i produktion för reproducerbara utdata
  • Välj din modell baserat på dina behov: mistral-large för kvalitet, ministral-8b för hastighet
  • Båda metoderna (JSON-läge och Anpassat) stöds av samma modeller