Mistral: Mistral Large 4

Mistral Large 4 är en textgenereringsmodell från Mistral, listad på api14 under modell-id:t mistralai/mistral-large-4-0. Den ligger i kategorin text och beskrivs av leverantören som en frontier multimodal modell byggd för resonemang, kodning och agentiska arbetsbelastningar. Om du redan arbetar med Mistral-modeller är detta det stora, allmänna alternativet i den serien.

Modellen tar emot text och bild som indata och returnerar text. Dess kontextfönster är 1 048 576 tokens, och den maximala utdatalängden är 262 144 tokens. Den kombinationen av ett mycket stort indatafönster och en stor utdatabudget innebär att du kan skicka långa dokument, kodbaser eller fleromgångshistorik i en enda begäran och fortfarande ha utrymme kvar för ett omfattande genererat svar. Bildindata stöds vid sidan av text, så prompter kan blanda skriftliga instruktioner med visuellt material.

Det angivna fokuset på resonemang, kodning och agentiska arbetsbelastningar motsvarar några praktiska mönster. Långt kontextresonemang passar uppgifter där modellen måste hålla en stor mängd material i sikte samtidigt, till exempel att granska ett kodförråd, sammanfatta eller ställa frågor till omfattande dokumentation, eller arbeta igenom flerstegsanalys utan att dela upp i bitar. Kodningsuppgifter drar nytta av både kontextstorleken och utdatabudgeten, eftersom genererad kod och förklaringar kan bli långa. Agentisk användning följer av verktygsstöd: modellen kan ges verktyg och en verktygsvalspolicy, vilket är vad du behöver för arbetsflöden där modellen avgör när den ska anropa en extern funktion. Bildindata utökar detta till prompter som innehåller skärmbilder, diagram eller skannade sidor.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t mistralai/mistral-large-4-0, så befintliga OpenAI-klientbibliotek fungerar med en ändring av bas-URL och modellnamn. De stödda begärandeparametrarna är frequency_penalty, include_reasoning, logprobs, max_tokens, presence_penalty, reasoning, reasoning_effort, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_logprobs och top_p. I praktiken täcker det samplingskontroller (temperature, top_p, frekvens- och närvarostraff, seed, stop), utdatalängd (max_tokens), strukturerade svar (response_format och structured_outputs), inspektion på tokennivå (logprobs och top_logprobs) och verktygsanvändning (tools och tool_choice). De resonemangsrelaterade parametrarna (reasoning, reasoning_effort, include_reasoning) låter dig styra och synliggöra modellens resonemangsbeteende där du behöver det.

Det finns inga angivna begränsningar i fakta ovan utöver modalitetsdelningen: indata kan vara text eller bild, men utdata är endast text, så detta är inte en modell för att generera bilder. Kontexten på 1M tokens och utdatataket på 262 144 tokens är stora, men om din arbetsbelastning består av korta prompter med snäva latens- eller kostnadsbegränsningar kan en mindre modell passa bättre. För långt kontextresonemang, kodning och verktygsdrivna agentflöden är Mistral Large 4 det lämpliga valet i den här uppställningen.