Mistral: Mistral Medium 3.5 (batch)

Mistral Medium 3.5 ist das dichte Modell mit 128 Milliarden Parametern von Mistral AI, das Anweisungsbefolgung, Schlussfolgern und Programmierung in einem einzigen Gewichtesatz vereint. Es nimmt Text und Bilder entgegen und gibt Text zurück. Der Hersteller positioniert es für Agenten- und Programmieraufgaben; derselbe Checkpoint kann eine direkte Gesprächsantwort erzeugen oder für eine anspruchsvollere Aufgabe seinen dokumentierten Denkmodus nutzen.

Einheitliches Modell und visuelle Fähigkeiten

Die veröffentlichte Modellkarte nennt 128 Milliarden dichte Parameter und ein Kontextfenster von 256k. Der Bildencoder ist für unterschiedliche Bildgrössen und Seitenverhältnisse trainiert. Bilder können Belege zu einer Programmier- oder Dokumentaufgabe liefern: einen Screenshot einer Oberfläche, ein Diagramm zu einer Anforderung oder eine Seite mit Informationen, die das Modell interpretieren muss. Das Ergebnis kann eine schriftliche Erklärung, Code oder strukturierte Felder statt eines generierten Bildes sein.

Der Hersteller beschreibt mehrsprachige Unterstützung für Dutzende Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Er hebt ausserdem Systemprompt-Befolgung und native Funktionsaufrufe mit JSON-Ausgabe hervor. Legen Sie Zielgruppe, Sprache und Antwortregeln getrennt vom untersuchten Material fest, damit der Wortlaut eines Quelldokuments als Beleg für die Aufgabe erhalten bleibt.

Denkeinstellungen

Die Modellkarte dokumentiert zwei Werte für den Denkaufwand pro Anfrage. Der Wert none liefert eine anweisungsbezogene Antwort ohne Denkmodus; high aktiviert das Schlussfolgern und wird für komplexe Prompts und agentengestützte Programmierung empfohlen. Dies ist eine Moduswahl innerhalb desselben Medium-3.5-Checkpoints und keine andere Modellidentität.

Für hohen Denkaufwand empfiehlt der Hersteller eine Temperatur von 0.7 und einen Top-p-Wert von 0.95. Für none dokumentiert er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7 und lässt Top-p ungesetzt oder bei 1.0. Dies sind Empfehlungen zur Veröffentlichung. Wählen Sie zunächst den Ausgabezweck: eine knappe Feldextraktion, eine Codeänderung mit Erklärung oder einen Vergleich, der mehrere begründete Entscheidungen erfordert.

Eine praktische Denkaufgabe kann eine Anforderung, die Implementierung und die Eingabe bereitstellen, die eine Abweichung sichtbar macht. Bitten Sie das Modell, den relevanten Pfad zu ermitteln, die Abweichung zu erklären und die kleinste Änderung vorzuschlagen, die die öffentliche Schnittstelle bewahrt. Fordern Sie den überarbeiteten Code getrennt von Annahmen und Beispielen an. Das Modell erzeugt einen Vorschlag; Kompilieren, Ausführen und Anwenden erfordern die mit dem Agenten verbundene Entwicklungsumgebung.

Werkzeuge, Dokumente und vorhersehbare Änderungen

Die Servicekarte des Herstellers nennt auch strukturierte Ausgaben, vorhergesagte Ausgaben, Dokumentfragen, Antwortpräfixe, Stapelverarbeitung und Agentengespräche. Definieren Sie für eine Extraktion Feldnamen, Typen und den Umgang mit fehlenden Werten. Der JSON-Modus liefert eine strukturierte Darstellung, während ein benutzerdefiniertes Schema in der verbundenen Schnittstelle eine spezifischere Form festlegt. Fordern Sie nur den Datensatz an, wenn ein Programm ihn parst, und eine separate Erklärung, wenn ein Mensch die Interpretation prüfen muss.

Dokumentfragen verbinden per OCR aufbereiteten Text und Struktur mit Sprachmodellverständnis. Benennen Sie für einen Vergleich die Dokumente und die zu beurteilende Bedingung und fordern Sie jede Erkenntnis mit ihrer Quellstelle an. Eine nützliche Ausgabe kann gemeinsame Anforderungen, Widersprüche und offene Fragen trennen. Direkte Bildfragen können sich auf eine Diagrammbeschriftung oder ein Oberflächenelement konzentrieren; Überschriften, Einheiten und Bildrollen zu bewahren hilft, die Antwort mit dem bereitgestellten Material zu verbinden.

Vorhergesagte Ausgaben sind für Aufgaben dokumentiert, bei denen ein grosser Teil der gewünschten Antwort bereits bekannt ist, etwa die Neugenerierung einer Codedatei oder eines Dokuments mit begrenzten Änderungen. Stellen Sie den bestehenden Inhalt bereit und benennen Sie die konkrete Änderung, wobei die zu erhaltenden Teile bewahrt werden. Dies unterscheidet sich von der Anforderung eines vollständig neuen Artefakts oder der Fortsetzung ab einem bekannten Antwortpräfix. Die Servicefunktionen beschreiben Übermittlungs- und Formatierungsoptionen; sie ändern weder die Text- und Bildeingabe noch die Textausgabe des Modells.

In einem werkzeuggestützten Ablauf stellt die Anwendung Funktionsbeschreibungen und Parameter bereit, das Modell wählt eine Funktion und bereitet Argumente vor, und die Anwendung führt sie aus und liefert das Ergebnis zurück. Ein Rechenwerkzeug kann aus einem bereitgestellten Bild gelesene Werte erhalten, während ein Abfragewerkzeug fehlende Informationen für die nächste Antwort liefern kann. Halten Sie das Werkzeugergebnis mit dem Vorgang verknüpft, der es erzeugt hat. Agentengestütztes Schlussfolgern beruht auf dieser Umgebung; reine Texterzeugung führt keine externen Handlungen aus.

Lange Sitzungen vorbereiten

Nutzen Sie den Kontext von 256k für zusammengehörigen Quellcode, Dokumente und Gesprächsverlauf und halten Sie das tatsächliche Ziel ausdrücklich fest. Eine Programmiersitzung kann das Modul, seinen Aufrufer und die Anforderungen bewahren, während sie eine definierte Änderung anfordert. Eine Dokumentsitzung kann die relevanten Abschnitte zusammenhalten und zugleich eine kurze Tabelle oder überarbeitete Passage zurückgeben. Die Kontextkapazität legt keine separate maximale Antwortlänge fest; das Generierungsbeispiel mit 1’024 Tokens in der Modellkarte ist eine Veranschaulichung und keine solche Grenze.

Der Hersteller weist darauf hin, dass eine ältere veröffentlichte Konfiguration einen Fehler für lange Kontexte enthielt, der behoben wurde, auch mit Bedeutung für abgeleitete Checkpoints. Bewahren Sie bei der Nutzung der Gewichte für lange Sitzungen die korrigierte Veröffentlichungskonfiguration. Die hybriden Modi und die Architektur mit 128 Milliarden Parametern von Medium 3.5 dürfen nicht Medium 3.1 oder einem separat benannten Draft-Head-Checkpoint zugeschrieben werden, nur weil ihre Namen dieselbe Familie teilen.