Mistral: Mistral Medium 3.5 (batch)

Mistral Medium 3.5 ist das dichte Modell von Mistral AI mit 128 Milliarden Parametern, das Anweisungsbefolgung, Schlussfolgern und Programmierung in einem einzigen Satz von Gewichten verbindet. Es verarbeitet Text und Bilder und gibt Text zurück. Der Hersteller positioniert es für Agenten- und Programmieraufgaben, während derselbe Checkpoint eine direkte Dialogantwort erzeugen oder seinen dokumentierten Reasoning-Modus für eine anspruchsvollere Aufgabe nutzen kann.

Vereinheitlichtes Modell und visuelle Fähigkeiten

Die veröffentlichte Modellkarte nennt 128 Milliarden dichte Parameter und ein Kontextfenster von 256k. Ihr Bildencoder ist für unterschiedliche Bildgrößen und Seitenverhältnisse trainiert. Bilder können Belege für eine Programmier- oder Dokumentaufgabe liefern: einen Screenshot einer Benutzeroberfläche, 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 erzeugten 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 die Befolgung von Systemprompts und native Funktionsaufrufe mit JSON-Ausgabe hervor. Lege Zielgruppe, Sprache und Antwortregeln getrennt vom untersuchten Material fest, damit die Formulierungen eines Quelldokuments Belege für die Aufgabe bleiben.

Reasoning-Einstellungen

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

Bei hohem Reasoning-Aufwand empfiehlt der Hersteller temperature 0.7 und top-p 0.95. Für none dokumentiert er je nach Aufgabe Temperaturen zwischen 0.0 und 0.7 und lässt top-p ungesetzt oder auf 1.0. Dies sind Empfehlungen für diese Veröffentlichung. Wähle zuerst den Zweck der Ausgabe: eine knappe Feldextraktion, eine Codeänderung mit Erklärung oder einen Vergleich, der mehrere begründete Entscheidungen verlangt.

Eine praktische Reasoning-Aufgabe kann eine Anforderung, die Implementierung und die Eingabe bereitstellen, die eine Abweichung sichtbar macht. Bitte das Modell, den relevanten Pfad zu identifizieren, die Abweichung zu erklären und die kleinste Änderung vorzuschlagen, die die öffentliche Schnittstelle bewahrt. Fordere den überarbeiteten Code getrennt von Annahmen und Beispielen an. Das Modell erzeugt einen Vorschlag; Kompilieren, Ausführen und Anwenden benötigen die mit dem Agenten verbundene Entwicklungsumgebung.

Werkzeuge, Dokumente und vorhersehbare Änderungen

Die Dienstkarte des Herstellers nennt außerdem strukturierte Ausgaben, vorhergesagte Ausgaben, Fragen zu Dokumenten, Antwortpräfixe, Stapelverarbeitung und Agentendialoge. Definiere für eine Extraktion die Feldnamen, Typen und den Umgang mit fehlenden Werten. Der JSON-Modus liefert eine strukturierte Darstellung, während ein benutzerdefiniertes Schema eine konkretere Form in der verbundenen Schnittstelle festlegt. Fordere nur den Datensatz an, wenn ein Programm ihn einlesen wird, und eine separate Erklärung, wenn eine Person die Interpretation prüfen muss.

Fragen zu Dokumenten verbinden mittels OCR vorbereiteten Text und Struktur mit dem Verständnis des Sprachmodells. Benenne für einen Vergleich die Dokumente und die zu bewertende Bedingung und fordere anschließend jeden Befund mit seiner Quellstelle an. Eine nützliche Ausgabe kann gemeinsame Anforderungen, Widersprüche und offene Fragen trennen. Direkte Bildfragen können sich auf eine Diagrammbeschriftung oder ein Oberflächenelement konzentrieren; das Bewahren von Überschriften, Einheiten und Bildrollen hilft, die Antwort mit dem bereitgestellten Material zu verbinden.

Vorhergesagte Ausgaben sind für Aufgaben dokumentiert, bei denen große Teile der gewünschten Antwort bereits bekannt sind, etwa die Neugenerierung einer Codedatei oder eines Dokuments mit begrenzten Änderungen. Stelle den bestehenden Inhalt bereit und benenne die konkrete Änderung unter Beibehaltung der Teile, die erhalten bleiben sollen. Dies unterscheidet sich von der Anforderung eines vollständig neuen Artefakts oder einer Fortsetzung ab einem bekannten Antwortpräfix. Die Dienstfunktionen beschreiben Einreichungs- und Formatoptionen; sie ändern weder die Text- und Bildeingabe noch die Textausgabe des Modells.

In einem werkzeuggestützten Ablauf liefert die Anwendung Funktionsbeschreibungen und Parameter, das Modell wählt eine Funktion und bereitet Argumente vor, und die Anwendung führt sie aus und gibt das Ergebnis zurück. Ein Berechnungswerkzeug kann Werte erhalten, die aus einem bereitgestellten Bild gelesen wurden, während ein Abfragewerkzeug fehlende Informationen für die nächste Antwort liefern kann. Bewahre das Werkzeugergebnis zusammen mit der Operation, die es erzeugt hat. Agentengestütztes Schlussfolgern stützt sich auf diese Umgebung; Texterzeugung allein führt keine externen Handlungen aus.

Lange Sitzungen vorbereiten

Nutze den Kontext von 256k für zusammengehörigen Quellcode, Dokumente und Dialogverlauf und halte das eigentliche Ziel ausdrücklich fest. Eine Programmiersitzung kann das Modul, seinen Aufrufer und die Anforderungen bewahren und zugleich eine definierte Änderung verlangen. Eine Dokumentsitzung kann die relevanten Abschnitte zusammenhalten und dabei 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 und dass dieser korrigiert wurde, auch hinsichtlich seiner Bedeutung für abgeleitete Checkpoints. Bewahre die korrigierte Veröffentlichungskonfiguration, wenn du die Gewichte für lange Sitzungen verwendest. Die hybriden Modi und die Architektur mit 128 Milliarden Parametern von Medium 3.5 sollten weder Medium 3.1 noch einem separat benannten Draft-Head-Checkpoint zugeschrieben werden, nur weil ihre Namen derselben Familie angehören.