Mistral: Mistral Medium 3.5 (batch)

Mistral Medium 3.5 (batch) est un modèle de génération de texte de Mistral AI, identifié sur api14 comme mistralai/mistral-medium-3-5:batch. C'est un modèle dense de 128B suivant les instructions, ce qui signifie que tous ses paramètres sont actifs à chaque requête plutôt que d'être routés via une configuration mixture-of-experts. La variante batch est la version exposée via ce point de terminaison, et le modèle se situe dans la catégorie texte sur api14.

Le modèle accepte des entrées texte, image et fichier, et il renvoie uniquement du texte. Sa fenêtre de contexte est de 262 144 tokens, et la longueur maximale de sortie est de 209 715 tokens, il peut donc prendre en entrée de très grandes entrées et produire de longues réponses en un seul appel. Comme les images et les fichiers sont acceptés aux côtés du texte, vous pouvez envoyer des invites mixtes combinant des instructions écrites avec du contenu visuel ou documentaire, et le modèle raisonnera sur l'ensemble avant de générer sa réponse.

Ces capacités indiquent quelques usages pratiques. La grande fenêtre de contexte convient au travail sur de longs documents, des bases de code ou des entrées multi-fichiers où vous auriez autrement besoin de découper et de recoller les résultats. L'entrée d'images le rend adapté aux tâches qui mélangent captures d'écran, diagrammes ou pages scannées avec des instructions textuelles. Mistral décrit le modèle comme conçu pour les flux agentiques, le codage et les tâches complexes, donc l'appel d'outils et la génération structurée sont des points de départ raisonnables. La variante batch est un choix naturel pour les tâches hors ligne ou orientées débit où vous soumettez de nombreuses requêtes et collectez les résultats, plutôt que pour le chat interactif où la latence compte le plus.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle mistralai/mistral-medium-3-5:batch. Le point de terminaison prend en charge frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, reasoning_effort, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools et top_p. En pratique, cela signifie que vous pouvez contrôler l'échantillonnage avec temperature, top_p et les deux paramètres de pénalité, plafonner la sortie avec max_tokens, fixer l'aléatoire avec seed, et définir des séquences d'arrêt. Pour le travail structuré, response_format et structured_outputs vous permettent de contraindre la forme de la réponse, tandis que tools et tool_choice prennent en charge l'appel de fonctions, et les paramètres de raisonnement vous permettent de régler la quantité de raisonnement interne que le modèle expose ou effectue.

Un point à peser est la désignation batch. Si votre application nécessite des réponses à faible latence, tour par tour, un modèle non batch est probablement plus adapté, et il en va de même si vous n'avez besoin que d'entrée et de sortie texte, puisque les modalités image et fichier resteraient inutilisées. Le contexte de 262 144 tokens et le plafond de sortie de 209 715 tokens sont généreux, mais ils restent finis, donc des corpus extrêmement volumineux peuvent devoir être répartis sur plusieurs appels. Dans ces limites, le modèle couvre le travail textuel à long contexte, les invites multimodales, le codage et les flux d'agents pilotés par outils depuis un seul point de terminaison.