Mistral: Mistral Small 3.1 24B

Mistral Small 3.1 24B Instruct es un modelo de generación de texto de Mistral, publicado por el proveedor el 17 de marzo de 2025. Es una variante mejorada de Mistral Small 3 (2501) y cuenta con 24 mil millones de parámetros. En api14 se sitúa en la categoría de texto, y el id de modelo que se usa al llamarlo es mistralai/mistral-small-3.1-24b-instruct.

El modelo acepta texto e imágenes como entrada y devuelve texto. Su ventana de contexto es de 128.000 tokens, con una salida máxima de 102.400 tokens, por lo que tanto los documentos largos como las generaciones largas caben cómodamente en una sola solicitud. El corte de conocimiento es el 31 de octubre de 2023. La entrada multimodal significa que se pueden pasar imágenes junto con prompts de texto, lo cual es útil cuando una tarea depende de información que solo existe en una captura de pantalla, un diagrama o una página escaneada.

Como maneja tanto texto como imágenes en un contexto amplio, el modelo se adapta a tareas de comprensión de documentos e imágenes: resumir informes largos, extraer datos estructurados de formularios escaneados o capturas de pantalla, responder preguntas basadas en un documento proporcionado y flujos de trabajo de soporte mixto de texto e imagen. El contexto de 128k también lo hace razonable para preguntas a nivel de base de código, historiales de conversación largos y análisis por lotes en los que se quiere enviar mucho material en una sola llamada. La compatibilidad con llamadas a herramientas y funciones amplía esto a canalizaciones estilo agente que necesitan obtener datos o desencadenar acciones.

Se llama al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo mistralai/mistral-small-3.1-24b-instruct, lo que significa que los SDK y clientes de OpenAI existentes funcionan con solo cambiar la URL base y la clave. Los parámetros de solicitud que admite son frequency_penalty, logit_bias, logprobs, max_tokens, min_p, presence_penalty, repetition_penalty, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs y top_p. Las salidas estructuradas y los controles de muestreo son útiles cuando se necesita un JSON predecible o generaciones muy restringidas, mientras que seed ayuda con la reproducibilidad durante las pruebas.

Vale la pena señalar dos límites antes de decidirse. El corte de conocimiento es el 31 de octubre de 2023, por lo que cualquier cosa posterior a esa fecha tiene que provenir del prompt o de herramientas en lugar del propio conocimiento del modelo. La salida es solo texto, así que si se necesitan imágenes o audio generados, este modelo no es la opción adecuada. Para tareas que son puramente de texto y que entran bien en un contexto más pequeño, un modelo más ligero puede ser más barato y rápido, pero para entrada multimodal con 128k tokens este cubre una amplia gama de trabajo.