Mistral: Mistral Medium 3.5 mot Pareto 26.9
En jämförelse sida vid sida av Mistral: Mistral Medium 3.5 (5,25 US$ / 1M textdelar (≈ 51,43 kr)) och Pareto 26.9 (8,75 US$ / 1M textdelar (≈ 85,72 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.
Specifikationer
| Mistral: Mistral Medium 3.5 | Pareto 26.9 | |
|---|---|---|
| Leverantör | Mistral | Unbiased |
| Indata | 5,25 US$ / 1M textdelar (≈ 51,43 kr) | 8,75 US$ / 1M textdelar (≈ 85,72 kr) |
| Utdata | 26,25 US$ / 1M textdelar (≈ 257,16 kr) | 26,25 US$ / 1M textdelar (≈ 257,16 kr) |
| Cacheläsning | - | 0,88 US$ / 1M textdelar (≈ 8,57 kr) |
| Kontextfönster | 262 144 | 262 144 |
| Max utdata | 209 715 | 131 072 |
| Indata | text, image, file | text, image |
| Utdata | text | text |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 30 apr. 2026 | 13 okt. 2026 |
Viktiga skillnader
- Mistral: Mistral Medium 3.5 är 40% billigare på indata-tokens.
- Endast Mistral: Mistral Medium 3.5 stöder strukturerad JSON-utdata.
- Endast Mistral: Mistral Medium 3.5 stöder styrning av resonemangsnivå.
- Ett anrop med 1 000 indata- och 500 utdata-tokens kostar 0,02 US$ med Mistral: Mistral Medium 3.5 och 0,02 US$ med Pareto 26.9.
Mer i detalj
Mistral: Mistral Medium 3.5 tillverkas av Mistral, och Pareto 26.9 tillverkas av Unbiased. Båda är textgenereringsmodeller, vilket innebär att båda tar emot indata och returnerar text, och båda serveras via api14 tillsammans med många andra modeller. Mistral Medium 3.5 släpptes av sin leverantör 2026-04-30, medan Pareto 26.9 har ett leverantörsrelease-datum på 2026-10-13. Om du väljer mellan dem handlar de praktiska skillnaderna om modaliteter, parameterstöd och pris snarare än om någon publicerad poäng.
De två modellerna delar samma kontextlängd på 262144 tokens, så ingen av dem ger dig ett längre arbetsfönster än den andra. Där de skiljer sig åt är i vad de accepterar och vilka reglage de exponerar. Mistral Medium 3.5 accepterar text-, bild- och filindata, medan Pareto 26.9 endast accepterar text och bild, så filindata är tillgängligt på Mistral-sidan och inte på Pareto-sidan. Mistral Medium 3.5 stöder även strukturerade utdata och resonemangsparametrar (inklusive reasoning och reasoning_effort), och inget av dessa listas för Pareto 26.9. Utöver det exponerar Mistral Medium 3.5 en bredare uppsättning samplingskontroller som frequency_penalty, presence_penalty, seed och stop, medan Pareto 26.9 listar en mindre uppsättning: max_tokens, response_format, temperature, tool_choice, tools och top_p. Båda modellerna stöder verktygsanrop, så det är ingen särskiljande faktor.
För det dagliga arbetet är valet ganska mekaniskt. Om din uppgift involverar resonemangstunga prompter, strukturerade utdata som måste följa ett schema, eller dokument som tillhandahålls som filer, är Mistral Medium 3.5 den som stöder dessa funktioner, och Pareto 26.9 listar dem inte. Om din uppgift är enkel text- eller bildindata med ett vanligt textsvar kan båda modellerna hantera den, och beslutet vilar då på pris och på hur mycket kontroll du vill ha över genereringen. Mistral Medium 3.5 är det billigare alternativet för indatapris, medan utdatapriset är ungefär detsamma mellan de två, så arbetsbelastningar med stora prompter och blygsamma slutföranden tenderar att gynna Mistral-modellen kostnadsmässigt. Arbetsbelastningar som domineras av utdatatokens ser liten prisskillnad.
Att anropa endera modellen via api14 fungerar på samma sätt, eftersom API:et är OpenAI-kompatibelt. Du pekar din klient mot api14:s bas-URL, skickar din begäran i den vanliga chat completions-formen och ställer in model-fältet till det id du vill använda. För att använda Mistral Medium 3.5 ställer du in model-id:t till "mistralai/mistral-medium-3-5". För att använda Pareto 26.9 ställer du in det till "unbiased/pareto-26.9". Allt annat i begärans body, messages, temperature, tools-arrayen och resten, förblir som det är, med förbehåll för de parametrar som varje modell stöder. Det innebär att du kan växla mellan de två genom att ändra en enda sträng, vilket gör det enkelt att dirigera olika begäranden till olika modeller eller att jämföra deras utdata på samma prompt.
Det finns fortfarande ett argument för Pareto 26.9. Om dina prompter endast är text eller bild, du inte behöver strukturerade utdata eller resonemangskontroller, och din tokenanvändning är viktad mot utdata snarare än indata, då är de två modellerna tillräckligt nära i pris för att Pareto 26.9 är ett rimligt val, och den är den nyare av de två enligt leverantörens release-datum. I den situationen är den enklare parameterytan inte en begränsning, och du kan hålla begärans form minimal.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "mistralai/mistral-medium-3-5" till "unbiased/pareto-26.9", promptar, streaming och verktyg fortsätter att fungera.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "unbiased/pareto-26.9",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Fler jämförelser
- LiquidAI: LFM3-1.7B mot Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B mot Crouton Alpha
- LiquidAI: LFM3-1.7B mot Tencent: Hy4
- LiquidAI: LFM3-1.7B mot Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview mot Crouton Alpha
- Ricursive: Ripple 65B Preview mot Tencent: Hy4
- Ricursive: Ripple 65B Preview mot Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha mot Tencent: Hy4