Mistral: Mistral Medium 3.5 (batch)

Mistral Medium 3.5 (batch) es un modelo de generación de texto de Mistral AI, identificado en api14 como mistralai/mistral-medium-3-5:batch. Es un modelo denso de 128B con seguimiento de instrucciones, lo que significa que todos sus parámetros están activos en cada solicitud en lugar de enrutarse mediante una configuración de mezcla de expertos. La variante batch es la versión expuesta a través de este endpoint, y el modelo se sitúa en la categoría de texto en api14.

El modelo acepta entradas de texto, imagen y archivos, y devuelve únicamente texto. Su ventana de contexto es de 262.144 tokens, y la longitud máxima de salida es de 209.715 tokens, por lo que puede recibir entradas muy grandes y producir respuestas largas en una sola llamada. Dado que se aceptan imágenes y archivos junto con texto, puedes enviar prompts mixtos que combinen instrucciones escritas con contenido visual o de documentos, y el modelo razonará sobre todo ello antes de generar su respuesta.

Esas capacidades apuntan a algunos usos prácticos. La gran ventana de contexto se adapta al trabajo sobre documentos largos, bases de código o entradas de varios archivos donde, de otro modo, tendrías que dividir y unir resultados. La entrada de imágenes lo hace adecuado para tareas que mezclan capturas de pantalla, diagramas o páginas escaneadas con instrucciones de texto. Mistral describe el modelo como diseñado para flujos de trabajo agénticos, programación y tareas complejas, por lo que el uso de herramientas y la generación estructurada son puntos de partida razonables. La variante batch es una elección natural para trabajos offline u orientados al rendimiento donde envías muchas solicitudes y recoges los resultados, más que para chat interactivo donde la latencia importa sobre todo.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo mistralai/mistral-medium-3-5:batch. El endpoint admite frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, reasoning_effort, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools y top_p. En la práctica, eso significa que puedes controlar el muestreo con temperature, top_p y los dos parámetros de penalización, limitar la salida con max_tokens, fijar la aleatoriedad con seed y definir secuencias de parada. Para trabajo estructurado, response_format y structured_outputs te permiten restringir la forma de la respuesta, mientras que tools y tool_choice admiten el llamado a funciones, y los parámetros de razonamiento te permiten ajustar cuánto razonamiento interno expone o realiza el modelo.

Un aspecto a considerar es la designación batch. Si tu aplicación necesita respuestas de baja latencia, turno a turno, un modelo no batch probablemente sea la mejor opción, y lo mismo se aplica si solo necesitas entrada y salida de texto, ya que las modalidades de imagen y archivos quedarían sin usar. El contexto de 262.144 tokens y el límite de salida de 209.715 tokens son generosos, pero siguen siendo finitos, por lo que corpus extremadamente grandes pueden necesitar dividirse entre varias llamadas. Dentro de esos límites, el modelo cubre trabajo de texto de contexto largo, prompts multimodales, programación y flujos agénticos impulsados por herramientas desde un único endpoint.