Mistral: Mistral Medium 3.5 (batch)

Mistral Medium 3.5 is het dense model van Mistral AI met 128 miljard parameters dat instructieopvolging, redeneren en programmeren in één set gewichten combineert. Het ontvangt tekst en beelden en retourneert tekst. De maker positioneert het voor agent- en programmeertaken, terwijl hetzelfde checkpoint een direct conversatieantwoord kan produceren of de gedocumenteerde redeneermodus kan gebruiken voor een ingewikkeldere taak.

Gecombineerd model en visuele mogelijkheden

De gepubliceerde modelkaart vermeldt 128 miljard dense parameters en een contextvenster van 256k. De beeldencoder is getraind voor verschillende beeldgroottes en beeldverhoudingen. Afbeeldingen kunnen bewijsmateriaal aan een code- of documenttaak bijdragen: een screenshot van een interface, een diagram bij een vereiste of een pagina met informatie die het model moet interpreteren. Het resultaat kan een schriftelijke uitleg, code of gestructureerde velden zijn, in plaats van een gegenereerde afbeelding.

De maker beschrijft meertalige ondersteuning voor tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ook het volgen van systeemprompts en ingebouwde functieaanroepen met JSON-uitvoer worden benadrukt. Stel publiek, taal en antwoordregels afzonderlijk van het onderzochte materiaal in, zodat de formulering van een brondocument bewijsmateriaal voor de taak blijft.

Redeneerinstellingen

De modelkaart documenteert twee waarden voor redeneerinspanning per verzoek. De waarde none geeft een instructiegericht antwoord zonder redeneermodus; high schakelt redeneren in en wordt aanbevolen voor complexe prompts en programmeren met agents. Dat is een moduskeuze binnen hetzelfde Medium 3.5-checkpoint en geen andere modelidentiteit.

Bij hoge redeneerinspanning beveelt de maker temperature 0.7 en top-p 0.95 aan. Voor none documenteert de maker temperaturen tussen 0,0 en 0,7 afhankelijk van de taak, waarbij top-p niet wordt ingesteld of op 1.0 staat. Dat zijn aanbevelingen voor de release. Kies eerst het uitvoerdoel: beknopte veldextractie, een codewijziging met uitleg of een vergelijking waarvoor meerdere onderbouwde beslissingen nodig zijn.

Een praktische redeneertaak kan een vereiste, de implementatie en de invoer aanleveren die een afwijking blootlegt. Vraag het model het relevante pad te vinden, de afwijking uit te leggen en de kleinste wijziging voor te stellen die de publieke interface behoudt. Vraag de herziene code afzonderlijk van aannames en voorbeelden. Het model genereert een voorstel; compileren, uitvoeren en toepassen vereisen de ontwikkelomgeving die met de agent is verbonden.

Tools, documenten en voorspelbare wijzigingen

De servicekaart van de maker vermeldt ook gestructureerde uitvoer, voorspelde uitvoer, documentvragen, antwoordprefixen, batchverwerking en agentconversaties. Definieer voor extractie de veldnamen, types en behandeling van ontbrekende waarden. JSON-modus levert een gestructureerde weergave, terwijl een aangepast schema in de verbonden interface een specifiekere vorm bepaalt. Vraag alleen het record wanneer een programma het zal parsen, en een afzonderlijke uitleg wanneer een persoon de interpretatie moet beoordelen.

Vragen beantwoorden over documenten combineert met OCR voorbereide tekst en structuur met taalmodelbegrip. Identificeer voor een vergelijking de documenten en de te beoordelen voorwaarde en vraag bij elke bevinding de bronlocatie. Een nuttig resultaat kan gedeelde vereisten, meningsverschillen en openstaande vragen scheiden. Directe beeldvragen kunnen zich richten op een grafieklabel of interface-element; het behouden van koppen, eenheden en beeldrollen helpt het antwoord aan het aangeleverde materiaal te koppelen.

Voorspelde uitvoer is gedocumenteerd voor taken waarbij een groot deel van het gewenste antwoord al bekend is, zoals het opnieuw genereren van een codebestand of document met beperkte wijzigingen. Lever de bestaande inhoud aan en benoem de specifieke wijziging, met behoud van de delen die moeten blijven. Dat verschilt van een volledig nieuw artefact vragen of verdergaan vanaf een bekend antwoordprefix. De servicefuncties beschrijven indienings- en opmaakopties; ze veranderen niets aan de tekst-en-beeldinvoer of tekstuitvoer van het model.

In een workflow met tools levert de toepassing functiebeschrijvingen en parameters aan, kiest het model een functie en bereidt het argumenten voor, waarna de toepassing de functie uitvoert en het resultaat teruggeeft. Een rekentool kan waarden ontvangen die uit een aangeleverde afbeelding zijn gelezen, terwijl een opzoektool ontbrekende informatie voor het volgende antwoord kan aanleveren. Houd het toolresultaat verbonden met de bewerking die het heeft voortgebracht. Redeneren met agents steunt op die omgeving; tekstgeneratie alleen voert geen externe acties uit.

Lange sessies voorbereiden

Gebruik de context van 256k voor gerelateerde broncode, documenten en conversatiegeschiedenis en houd het eigenlijke doel expliciet. Een programmeersessie kan de module, haar aanroeper en de vereisten behouden en tegelijk één afgebakende wijziging vragen. Een documentsessie kan de relevante secties samenhouden en een korte tabel of herziene passage teruggeven. De contextcapaciteit bepaalt geen afzonderlijke maximale antwoordlengte; het generatievoorbeeld met 1.024 tokens op de kaart is een illustratie, niet die limiet.

De maker merkt op dat een eerder uitgebrachte configuratie een fout voor lange contexten bevatte die is gecorrigeerd, ook van belang voor afgeleide checkpoints. Behoud de gecorrigeerde releaseconfiguratie wanneer u de gewichten voor lange sessies gebruikt. De hybride modi en architectuur met 128 miljard parameters van Medium 3.5 mogen niet aan Medium 3.1 of een afzonderlijk benoemd draft-head-checkpoint worden toegeschreven alleen omdat hun namen dezelfde familie delen.