Mistral: Mistral Small 4 (batch)

Mistral Small 4 verbindet allgemeine Anweisungsbefolgung, schlussfolgerndes Denken und Programmierung in einem einzigen multimodalen Modell. Der Hersteller beschreibt es als Zusammenführung der Familien Instruct, Magistral für Reasoning und Devstral für Programmierung. Es nimmt Text und Bilder entgegen und gibt Text zurück; Funktionsaufrufe und JSON-Ausgaben stehen für werkzeuggestützte Anwendungen zur Verfügung.

Architektur und zentrale Funktionen

Die Veröffentlichung hat insgesamt 119 Milliarden Parameter und aktiviert 6,5 Milliarden pro Token. Ihre Mixture-of-Experts-Architektur enthält 128 Experten, davon 4 aktive, und der Hersteller dokumentiert ein Kontextfenster von 256k. Die aktive Parameterzahl und die Zahl der Experten beschreiben die Organisation des Modells; sie unterscheiden sich von der Menge an Text- oder Bildinhalt in einer Aufgabe.

Das Modell bietet Anweisungs- und Reasoning-Funktionalität im selben Modellstand. Der Hersteller nennt außerdem Vision, die Einhaltung von Systemprompts und mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Eine Textanweisung kann daher nach einem Bild fragen oder eine schriftliche Anforderung mit sichtbaren Belegen verbinden, wobei die Antwort als Text zurückgegeben wird.

Eine visuelle Aufgabe kann eine Dokumentseite bereitstellen und nach den für eine benannte Bedingung relevanten Werten fragen. Halten Sie Beschriftungen und Einheiten lesbar und geben Sie an, ob das Ergebnis den ursprünglichen Wortlaut bewahren, zusammenfassen oder mit einer anderen Quelle vergleichen soll. Eine Oberflächenaufgabe kann einen Screenshot mit dem Ziel des Nutzers verbinden und das relevante sichtbare Bedienelement sowie die Belege für einen vorgeschlagenen nächsten Schritt verlangen.

Anweisungs- oder Reasoning-Modus wählen

Die veröffentlichte Modellkarte dokumentiert den Reasoning-Aufwand none für eine sofortige anweisungsbezogene Antwort und high für Reasoning; high wird für komplexe Prompts empfohlen. Die Auswahl erfolgt pro Anfrage innerhalb desselben Modells Small 4. Eine gewöhnliche Klassifikation oder kurze Überarbeitung kann einen anderen Antwortvertrag haben als ein mathematisches, visuelles oder Programmierproblem, das eine ausgearbeitete Erklärung benötigt.

Der Hersteller empfiehlt temperature 0.7 für hohen Reasoning-Aufwand. Für none gibt er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7 an. Diese Einstellungen beschreiben die dokumentierten Modi und machen den Reasoning-Aufwand nicht zu einer Garantie für ein korrektes Ergebnis. Definieren Sie Annahmen, Ausgabeform und relevantes Quellenmaterial, bevor Sie wählen, wie viel Reasoning die Aufgabe erfordert.

Stellen Sie für eine ausgearbeitete Problemlösung die vollständige Bedingung bereit und verlangen Sie die wichtigen begründeten Schritte, gefolgt vom abschließenden Ausdruck. Geben Sie für eine Codeaufgabe die Anforderung, die betroffene Funktion und eine konkrete Eingabe an; verlangen Sie die vorgeschlagene Implementierung getrennt von Erklärung und Beispielen. Die Nutzungsdemonstrationen des Herstellers umfassen Anweisungsbefolgung, ein auf ein Bild angewendetes Berechnungswerkzeug und visuelles Reasoning und zeigen damit, wie Text und visuelle Belege in diese unterschiedlichen Aufgaben einfließen können.

Programmierung, Dokumente und Werkzeuge

Das Modell ist für Codebasis-Erkundung und Softwareentwicklungsagenten, allgemeine Assistenten, Dokumentverständnis und Recherche positioniert. Eine Anfrage an einen Programmieragenten kann das zu ändernde Modul, die zu bewahrende Schnittstelle und das gewünschte Verhalten benennen. Stellen Sie die relevanten Quellen und Fehlerbelege bereit. Das Modell kann die nächste Operation oder eine Codeänderung vorschlagen, während die Anwendung Repository-Zugriff, Ausführung und Rückmeldung bereitstellt.

Benennen Sie für Dokumentextraktion die erforderlichen Felder und die Darstellung fehlender Informationen. Ein nützlicher Datensatz kann Dokumentkennung, Quellaussage, interpretierte Anforderung und offene Frage trennen. Die Dienstbeschreibung des Herstellers nennt benutzerdefinierte strukturierte Ausgaben und die Beantwortung von Dokumentfragen; Letztere verwendet Dokumentverarbeitung und OCR, um Text und Struktur vor der Analyse durch das Sprachmodell aufzubereiten. Eine direkte Bildfrage und ein OCR-gestützter Dokumentablauf sollten ihre jeweils eigene Eingabevorbereitung bewahren.

Funktionsaufrufe benötigen klar beschriebene Werkzeuge. Das Modell wählt eine Funktion und erstellt Argumente; die Anwendung führt die Operation aus und liefert ihr Ergebnis für die nachfolgende Antwort zurück. Dieselbe Logik gilt für eine Abfrage, Berechnung oder Programmieroperation. JSON-Formatierung ordnet eine Antwort, während ein Werkzeugaufruf eine externe Aktion anfordert; beides sollte nicht als austauschbares Ergebnis behandelt werden.

Die Dienstbeschreibung nennt außerdem vorhergesagte Ausgaben, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Vorhergesagte Ausgaben sind nützlich, wenn ein Dokument oder eine Codedatei mit nur einer begrenzten Änderung neu erzeugt werden muss und der übrige Inhalt bekannt ist. Geben Sie die Änderung und das zu bewahrende Material an. Die Präfixfortsetzung verwendet einen bekannten Antwortanfang, während Stapelverarbeitung die Übermittlung von Arbeit betrifft und keinen zusätzlichen Reasoning-Modus.

Kontext und Grenzen der Ausgabe

Planen Sie schriftliche Aufgabe, visuelles Material, Gespräch und gewünschte Antwort im Rahmen des dokumentierten Kontexts von 256k. Das veröffentlichte Nutzungsbeispiel konfiguriert einen Kontext von 262.144 Tokens, während sein Generierungsbeispiel mit 1.024 Tokens keine gesonderte maximale Ausgabekapazität ist. Die gelesenen Quellen nennen keine unabhängige harte Antwortlängengrenze, die an die Stelle der gewählten Aufgabenlänge treten könnte.

Small 4 hat seine eigene Mixture-of-Experts-Architektur mit 119 Milliarden Parametern und hybride Modi. Es sollte weder die dichte Architektur mit 128 Milliarden Parametern von Medium 3.5 noch die getrennten Instruct- und Reasoning-Ausgaben von Ministral 3 übernehmen. Der Hersteller veröffentlicht außerdem eigene quantisierte Artefakte und Artefakte für spekulatives Dekodieren; das sind gesonderte Bereitstellungsartefakte und keine unterschiedlichen Inhaltsmodalitäten. Bewahren Sie die benannte Veröffentlichung Small 4 und den Modus, der für die tatsächliche Erklärung, den strukturierten Datensatz oder das Codeergebnis verlangt wird.