Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Välj din Mistral Vision-modell

Lektion 3 av 12 Uppdaterad 2 november 2026 Utvecklare
På denna sida
  1. Vilken modell för vilket användningsområde?
  2. Jämförelse av vision-modeller
  3. Mistral Large 3 – kvalitetsreferensen
  4. Mistral Small 3.2 – det ekonomiska valet
  5. Ministral 3 – edge-modellen
  6. Beslutsträd
  7. Byta modeller i din kod
  8. Viktiga punkter

Vilken modell för vilket användningsområde?

Mistral erbjuder flera modeller som kan bearbeta bilder, var och en med sina egna egenskaper när det gäller kvalitet, hastighet och kostnad. Att välja rätt modell är ingen ren implementeringsdetalj: mellan de tyngsta och lättaste modellerna överstiger prisskillnaden en faktor tio. Vid ett flöde på tiotusen bilder per månad påverkar detta beslut din budget mer än någon annan del av din arkitektur.

Den här lektionen går igenom specifikationerna för varje vision-modell och ger dig metoden för att välja den som passar ditt användningsområde bäst.

Jämförelse av vision-modeller

Tabellen nedan återkopplar till landskapet från april 2026 som presenterades i lektion 1, men lägger till de nyckeltal som spelar roll när du ska göra ditt val.

Modell Parametrar Hastighet Pris (inmatning/1M tokens) Användningsområden
Mistral Large 3 ~123B Måttlig ~2 USD Detaljerad analys, komplex resonemangsförmåga
Mistral Medium 3.1 ~70B Snabb ~0,40 USD Mångsidig, bäst prisvärdhet
Mistral Small 3.2 ~24B Mycket snabb ~0,10 USD Hög volym, enkel OCR, triage
Ministral 3 14B 14B Mycket snabb ~0,10 USD Edge, kritisk latens, on-premise
Ministral 3 8B 8B Ultrasnabb ~0,10 USD Inbäddade system, snabb klassificering

Priserna är vägledande och kan variera – kontrollera Mistral:s prissida för aktuell information.

Mistral Large 3 – kvalitetsreferensen

Mistral Large 3 är flaggskeppsmodellen för vision. Dess cirka 123 miljarder parametrar är motiverade inom tre områden. För det första detaljerad analys: ett diagram med överlappande förklaringar, ett annoterat tekniskt diagram eller ett tätbefolkat användargränssnitt är bilder där hälften av informationen finns i liten text och i relationerna mellan element. För det andra flerstegsresonemang, när frågan går bortom enkel beskrivning: “Titta på detta diagram, identifiera trenden och förklara de sannolika orsakerna” kedjar ihop tre operationer där den tredje beror på noggrannheten i de två första. Slutligen strukturerad extrahering, där målet är att omvandla bildinnehåll till välformaterad JSON utan att hitta på eller utelämna fält.

from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

# Large 3 för komplex analys
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Analyze this financial chart. Identify the main trends and inflection points."
                },
                {
                    "type": "image_url",
                    "image_url": "https://example.com/financial-chart.png"
                }
            ]
        }
    ]
)

Reservera den för kritisk analys, känsliga data och professionella applikationer där precision väger tyngre än kostnad. Att feltolka ett fakturabelopp kostar mer än prisskillnaden mellan två modeller.

Mistral Small 3.2 – det ekonomiska valet

Med cirka 24 miljarder parametrar erbjuder Small 3.2 ett kvalitet-till-pris-förhållande som gör den till arbetshesten i pipelines. Den hanterar bearbetning av stora volymer utan problem – hundratals eller tusentals bilder per dag – och enkel OCR på tydlig tryckt text: etiketter, skyltar, dokumentrubriker. Dess andra föredragna användningsområde är triage: snabb klassificering av bilder för att bara skicka de som verkligen förtjänar det till den tunga modellen.

# Small 3.2 för bearbetning av stora volymer
response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Read the text visible on this product label."},
                {"type": "image_url", "image_url": "https://example.com/label.jpg"}
            ]
        }
    ]
)

Detta är rätt val för automatiserade pipelines, MVP:er och alla fall där hastighet och kostnad betyder mer än perfektion i den sista percentilen.

Ministral 3 – edge-modellen

Ministral-modellerna, i versionerna 14B och 8B, är designade för on-premise- eller edge-distribution. Deras värde ligger mindre i rå kvalitet än i vad de möjliggör: svar på några hundra millisekunder, körning på konsumentklass-GPU:er som RTX 4090 eller A10G, och framför allt garantin att inga data lämnar din infrastruktur. En produktionslinje som inspekterar delar som kommer ut ur en press kan varken vänta på en nätverksroundtrip eller exportera sina bilder.

# Ministral 14B värdlokalt (via vLLM eller Ollama)
from mistralai.client import Mistral

client = Mistral(
    api_key="local",
    server_url="http://localhost:8000/v1"
)

response = client.chat.complete(
    model="ministral-14b-2512",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Does this image contain a manufacturing defect?"},
                {"type": "image_url", "image_url": "data:image/jpeg;base64,/9j/4AAQ..."}
            ]
        }
    ]
)

Notera server_url som pekar på din egen server: resten av koden är exakt densamma. Typiska användningsområden inkluderar industriell inspektion, hälsovård, frånkopplade miljöer och konfidentiella data.

Beslutsträd

När du står inför ett nytt projekt är den mest avgörande frågan placeringen: om data måste stanna on-premise slutar debatten med Ministral 3, där du väljer 14B för kvalitet eller 8B för en inbäddad enhet. Om molnet är acceptabelt beslutar du därefter baserat på belastningens natur. Kritisk analyskvalitet kräver Mistral Large 3; hög bildvolym pekar på Mistral Small 3.2; och när ingen av begränsningarna dominerar erbjuder Mistral Medium 3.1 den generella kompromissen.

Byta modeller i din kod

Hela poängen med detta enhetliga API är att valet förblir reversibelt. Att byta från en modell till en annan kräver bara att du ändrar en rad, utan att röra meddelandekonstruktionen:

# Byt från Small till Large genom att bara ändra modellen
model = "mistral-small-latest"   # utveckling, testning
# model = "mistral-large-latest" # produktion, maximal kvalitet

response = client.chat.complete(model=model, messages=messages)

Denna egenskap möjliggör intelligent routning som du kommer att se genom hela kursen: Small utför triage på hela flödet, medan Large bara bearbetar komplexa fall. På en batch där bara en tiondel av bilderna kräver detaljerad analys är besparingarna betydande för oförändrad slutkvalitet.

Viktiga punkter

  • Mistral Large 3 erbjuder bäst kvalitet men till högsta kostnad
  • Mistral Small 3.2 är idealisk för volym och enkla användningsfall
  • Ministral-modeller möjliggör lokal distribution utan molnavhängighet
  • API:t är identiskt för alla modeller – bara parametern model ändras
  • Intelligent routning (Small för triage, Large för analys) optimerar kvalitet-till-kostnad-förhållandet