Mistral: Mistral Small 4

Mistral: Mistral Small 4 to model generowania tekstu od Mistral, wydany 16 marca 2026. Jest to kolejne duże wydanie w rodzinie Mistral Small, a Mistral opisuje je jako ujednolicające możliwości kilku flagowych modeli Mistral w jednym systemie, łącząc silne rozumowanie z innymi mocnymi stronami tych modeli. W api14 należy do kategorii tekstowej i jest identyfikowany przez identyfikator modelu mistralai/mistral-small-2603.

Model przyjmuje tekst i obrazy jako dane wejściowe i zwraca tekst. Jego okno kontekstowe wynosi 262 144 tokeny, a maksymalne wyjście to 209 715 tokenów, więc zarówno bardzo długie dane wejściowe, jak i długie generowania są możliwe w ramach tego samego żądania. Ponieważ obsługiwane jest wejście obrazowe, prompty mogą łączyć instrukcje pisemne z obrazami, podczas gdy sama odpowiedź jest zawsze tekstem.

Te możliwości wskazują na dość szeroki zestaw praktycznych zastosowań. Długi kontekst pasuje do pracy takiej jak streszczanie lub odpytywanie dużych dokumentów, baz kodu, transkrypcji lub zestawów raportów w jednym wywołaniu, a wysoki limit wyjścia pomaga, gdy sama odpowiedź musi być długa, na przykład pełny szkic lub rozszerzona analiza. Wejście obrazowe czyni go użytecznym do zadań łączących obraz z instrukcjami pisemnymi, takich jak opisywanie lub wyodrębnianie informacji ze zrzutu ekranu lub diagramu. Obsługa rozumowania i wywoływanie narzędzi czynią go rozsądnym wyborem dla przepływów pracy w stylu agentowym oraz dla aplikacji, które muszą wywoływać funkcje lub usługi zewnętrzne, a ustrukturyzowane wyjścia pomagają, gdy wynik musi być przetworzony przez inny program.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu mistralai/mistral-small-2603, więc istniejące biblioteki klienckie OpenAI i kształty żądań działają po zmianie tylko nazwy modelu. Obsługiwane parametry żądania to frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, reasoning_effort, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools i top_p. W praktyce obejmuje to kontrolę próbkowania, deterministyczne uruchomienia przez seed, warunki zatrzymania, odpowiedzi ograniczone JSON lub schematem przez response_format i structured_outputs oraz użycie narzędzi przez tools i tool_choice, z rozumowaniem kontrolowanym przez opcje reasoning, reasoning_effort i include_reasoning.

Nie ma żadnych stwierdzonych ograniczeń w powyższych faktach poza podziałem modalności: dane wejściowe mogą zawierać obrazy, ale wyjście jest tylko tekstem, więc nie nadaje się, jeśli potrzebujesz generowanych obrazów, dźwięku lub wideo. Jeśli Twoje obciążenie to wyłącznie krótkie prompty tekstowe bez obrazów, bez wywołań narzędzi i bez potrzeby długiego kontekstu, mniejszy i prostszy model tekstowy może wystarczyć, ale dla długich danych wejściowych, długich wyjść, promptów uwzględniających obrazy lub potoków sterowanych narzędziami ten model obejmuje te przypadki bezpośrednio.