Mistral: Mistral Medium 3.5 (batch)

Mistral Medium 3.5 est le modèle dense de 128 milliards de paramètres de Mistral AI, réunissant suivi d’instructions, raisonnement et programmation dans un seul ensemble de poids. Il reçoit du texte et des images et renvoie du texte. Son fabricant le destine aux tâches agentiques et de programmation, tandis que le même point de contrôle peut produire une réponse conversationnelle directe ou utiliser son mode de raisonnement documenté pour une tâche plus complexe.

Modèle unifié et capacités visuelles

La fiche publiée précise 128 milliards de paramètres denses et une fenêtre de contexte de 256k. Son encodeur visuel est entraîné à traiter différentes tailles et proportions d’images. Les images peuvent apporter des éléments à une tâche de programmation ou documentaire : capture d’une interface, schéma accompagnant une exigence ou page contenant des informations à interpréter. Le résultat peut être une explication écrite, du code ou des champs structurés plutôt qu’une image générée.

Le fabricant décrit une prise en charge multilingue couvrant des dizaines de langues, dont l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Il met aussi en avant le respect de l’invite système et les appels natifs de fonctions avec sortie JSON. Définissez le public, la langue et les règles de réponse séparément des éléments examinés, afin que la formulation d’un document source reste un élément de preuve pour la tâche.

Réglages du raisonnement

La fiche documente deux valeurs d’effort de raisonnement par requête. La valeur none donne une réponse de type instruction sans mode de raisonnement; high active le raisonnement et est recommandée pour les invites complexes et la programmation agentique. Il s’agit d’un choix de mode au sein du même point de contrôle Medium 3.5, et non d’une autre identité de modèle.

Pour un effort de raisonnement high, le fabricant recommande temperature 0.7 et top-p 0.95. Pour none, il documente des températures entre 0.0 et 0.7 selon la tâche et laisse top-p non défini ou à 1.0. Ce sont les recommandations de la version. Choisissez d’abord l’objectif de la sortie : extraction concise de champs, modification de code expliquée ou comparaison nécessitant plusieurs décisions justifiées.

Une tâche de raisonnement pratique peut fournir une exigence, l’implémentation et l’entrée qui révèle un écart. Demandez au modèle d’identifier le chemin pertinent, d’expliquer la divergence et de proposer la plus petite modification préservant l’interface publique. Demandez le code révisé séparément des hypothèses et des exemples. Le modèle génère une proposition; sa compilation, son exécution et son application nécessitent l’environnement de développement connecté à l’agent.

Outils, documents et modifications prévisibles

La fiche de service du fabricant mentionne aussi les sorties structurées, les sorties prédites, les questions sur documents, les préfixes de réponse, le traitement par lots et les conversations d’agents. Pour une extraction, définissez les noms de champs, les types et le traitement des valeurs manquantes. Le mode JSON fournit une représentation structurée, tandis qu’un schéma personnalisé définit une forme plus précise dans l’interface connectée. Demandez uniquement l’enregistrement lorsqu’un programme doit l’analyser, et une explication séparée lorsqu’une personne doit examiner l’interprétation.

Les questions sur documents associent le texte et la structure préparés par OCR à la compréhension du modèle linguistique. Pour une comparaison, identifiez les documents et la condition à évaluer, puis demandez chaque constat avec son emplacement source. Une sortie utile peut séparer exigences communes, désaccords et questions ouvertes. Les questions directes sur images peuvent viser un libellé de graphique ou un élément d’interface; préserver les titres, les unités et les rôles des images aide à maintenir la réponse liée aux éléments fournis.

Les sorties prédites sont documentées pour les tâches dont une grande partie de la réponse souhaitée est déjà connue, comme la régénération d’un fichier de code ou d’un document avec des modifications limitées. Fournissez le contenu existant et indiquez la modification précise, en préservant les parties à conserver. Cela diffère d’une demande de livrable entièrement nouveau ou d’une continuation à partir d’un préfixe de réponse connu. Les fonctions de service décrivent des options de soumission et de formatage; elles ne changent ni les entrées textuelles et visuelles du modèle, ni sa sortie textuelle.

Dans un processus assisté par des outils, l’application fournit les descriptions de fonctions et leurs paramètres, le modèle choisit une fonction et prépare les arguments, puis l’application l’exécute et renvoie le résultat. Un outil de calcul peut recevoir des valeurs lues dans une image fournie, tandis qu’un outil de recherche peut apporter l’information manquante à la prochaine réponse. Gardez le résultat de l’outil associé à l’opération qui l’a produit. Le raisonnement agentique dépend de cet environnement : la génération de texte seule n’accomplit pas d’actions externes.

Préparer les sessions longues

Utilisez le contexte de 256k pour le code source lié, les documents et l’historique de conversation, en gardant l’objectif réel explicite. Une session de programmation peut conserver le module, son appelant et les exigences tout en demandant une modification définie. Une session documentaire peut garder ensemble les sections pertinentes tout en renvoyant un tableau court ou un passage révisé. La capacité de contexte ne définit pas une longueur maximale de réponse distincte; l’exemple de génération de 1 024 jetons dans la fiche illustre un usage et ne constitue pas cette limite.

Le fabricant indique qu’une configuration antérieure publiée contenait une erreur de contexte long, désormais corrigée, y compris pour les points de contrôle dérivés concernés. Conservez la configuration corrigée de la version lorsque vous utilisez les poids pour de longues sessions. Les modes hybrides et l’architecture de 128 milliards de paramètres de Medium 3.5 ne doivent pas être attribués à Medium 3.1 ni à un point de contrôle draft-head nommé séparément au seul motif qu’ils partagent un nom de famille.