Introduktion till Vision via Mistral API
På denna sida
Uppdatering 2 november 2026 — modeller. Mistral Large 3 (
mistral-large-2512) och Mistral Medium 3.5 har avvecklats sedan den 31 oktober 2026 och kommer att tas bort helt den 30 april 2027. Deras utsedda efterträdare, Mistral Large 4 (mistral-large-4), har funnits tillgänglig i offentlig förhandsversion sedan den 6 oktober. Exemplen i denna kurs använder aliasetmistral-large-latest, som enligt den officiella specifikationen fortfarande pekar på Mistral Large 3 (verifierat den 3 november 2026). På samma sätt pekarmistral-medium-latestpå Mistral Medium 3.5. Dessa alias förblir giltiga fram till den 30 april 2027. För nya projekt bör du testamistral-large-4, deras utsedda efterträdare.
Vad är Vision API?
Språkmodeller stannar inte längre vid text. Sedan 2024 har Mistral AI erbjudit multimodala modeller som kan analysera text och bilder samtidigt. Denna förmåga, kallad Vision, förändrar karaktären på det arbete du kan automatisera: en fotograferad faktura, en skärmdump av en instrumentpanel eller ett tekniskt diagram är inte längre en ogenomskinlig bilaga som en människa måste öppna. Istället blir dessa indata som din kod frågar, precis som den skulle fråga en sträng.
Omfattningen är bred: dokumentanalys, läsa diagram och extrahera visuell data. En redovisningsbyrå som tar emot trehundra skannade kvitton per månad kan be modellen läsa beloppen; ett produktteam kan automatiskt beskriva skärmdumpar som skickats in av användare. I denna kurs lär du dig att utnyttja Mistral Vision API för att integrera denna typ av analys i dina Python-applikationer. Varje lektion kombinerar en förklaring av mekanismen med kod som är redo att användas.
Varför använda Mistral Vision?
Det första argumentet är avsaknaden av teknisk störning. Du anropar samma slutpunkt chat.complete() som används för text: det finns inget separat API att lära sig, ingen särskild klient att instansiera. Du lägger helt enkelt till bilder i meddelandet. Ett projekt som redan är byggt på textgenerering kan hantera vision utan att behöva designas om.
Det andra är valet av modell. Från den mest kraftfulla, Mistral Large 3, till den lättaste i Ministral 3-familjen, justerar du kompromissen mellan kvalitet och kostnad efter ditt fall: en tung modell för detaljerad analys av ett finansiellt diagram, en lätt modell för att sortera tiotusentals foton efter kategori. Du gör denna justering på en enda kodrad, vilket du kommer att se i lektion 3.
Två ytterligare strategiska överväganden gäller. Meddelandeformatet följer OpenAI-liknande standard, vilket underlättar migrering från en annan leverantör: koden för att bygga meddelanden förblir i praktiken oförändrad. Och eftersom Mistral är ett franskt företag kan dina data stanna i Europa, vilket ofta är en avgörande faktor när bilder innehåller personlig eller avtalsenlig information.
Tillgängliga Vision-modeller
Fem Mistral-modeller stöder vision. Var och en identifieras av ett API-ID som du skickar till parametern model.
| Modell | API-ID | Primärt användningsområde |
|---|---|---|
| Mistral Large 3 | mistral-large-2512 | Komplex analys, högsta kvalitet |
| Mistral Medium 3.5 | mistral-medium-latest | Bra balans mellan kvalitet och hastighet |
| Mistral Small 4 | mistral-small-latest | Dagligt bruk, snabbt och ekonomiskt |
| Ministral 3 14B | ministral-14b-2512 | Edge computing, låg latens |
| Ministral 3 8B | ministral-8b-2512 | Inbyggda system, begränsade resurser |
Alla dessa modeller accepterar bilder som indata via Chat Completions API. Med andra ord kommer koden du håller på att skriva att fungera identiskt med alla fem.
Två former av identifierare samexisterar i denna tabell, och valet mellan dem är ett arkitektoniskt beslut. Aliasen med -latest spårar automatiskt den aktuella versionen av modellen: dina anrop drar nytta av förbättringar utan att du behöver röra din kod, men på bekostnad av ett beteende som kan förändras under dina fötter. Daterade identifierare som mistral-large-2512 låser en specifik version: beteendet förblir stabilt, men du måste hålla koll på avvecklingar. Använd aliaset för en prototyp; för en produktionspipeline med validerade utdata bör du låsa versionen och planera dina uppgraderingar.
Ditt första Vision-anrop
Här är ett minimalt exempel på hur du skickar en bild till Mistral och får en beskrivning:
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)
En detalj skiljer detta anrop från ett vanligt textanrop, och den förtjänar uppmärksamhet: fältet content i användarmeddelandet är en array (en lista) istället för en enkel sträng. Det är denna struktur som möjliggör blandning av text och bilder i samma tur.
Struktur för ett multimodalt meddelande
Ett vanligt meddelande som bara innehåller text får plats på en rad:
{"role": "user", "content": "Hello, how are you?"}
Ett multimodalt meddelande ersätter den strängen med en lista över typade element, där varje element annonseras av sitt fält type:
{
"role": "user",
"content": [
{"type": "text", "text": "Your question here"},
{"type": "image_url", "image_url": "URL or data URI of the image"}
]
}
Inget tvingar dig att begränsa dig till ett element av varje slag. Du kan inkludera flera text- och image_url-element i ett enda meddelande. Det är precis detta som gör att du till exempel kan presentera en referensbild och sedan en bild att jämföra, och introducera var och en med en mening. Vi kommer att gå igenom detta i detalj i de följande lektionerna.
Vad du kommer att lära dig i denna kurs
Denna kurs på 12 lektionar går från mekanism till tillämpning. Lektion 1 till 3 täcker multimodala modeller: vad som faktiskt händer när en bild kommer in i modellen, och hur du väljer den som passar din arbetsbelastning. Lektion 4 till 6 täcker sändning av bilder, via URL, i Base64, och sedan flera bilder i ett enda meddelande. Lektion 7 till 10 går igenom konkreta användningsfall – analys av diagram, OCR, strukturerad extraktion och bildjämförelse. Lektion 11 och 12 avslutar ämnet med begränsningar, kostnadsoptimering och möjliga utökningar.
Viktiga punkter
- Mistral Vision API använder samma slutpunkt som textchatt
- Användarmeddelandet blir en array som innehåller elementen
textochimage_url - Fem modeller stöder vision, från den mest kraftfulla till den lättaste
- Mistral är ett relevant val för projekt som kräver europeisk datasuveränitet