Mistral: Mistral Medium 3.5 (batch)

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

Eén model en visuele mogelijkheden

De uitgebrachte modelkaart specificeert 128 miljard dense parameters en een contextvenster van 256k. De visuele encoder is getraind voor verschillende beeldformaten en verhoudingen. Afbeeldingen kunnen bewijs leveren voor een programmeer- of documenttaak: een schermafbeelding 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 benadrukt hij het volgen van systeemprompts en native functieaanroepen met JSON-uitvoer. Stel publiek, taal en antwoordregels afzonderlijk in van het te onderzoeken materiaal, zodat de formulering van een brondocument bewijs 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. Dit is een moduskeuze binnen hetzelfde Medium 3.5-checkpoint, geen andere modelidentiteit.

Voor hoge redeneerinspanning beveelt de maker temperature 0.7 en top-p 0.95 aan. Voor none documenteert hij temperaturen tussen 0.0 en 0.7 afhankelijk van de taak en laat hij top-p oningesteld of op 1.0. Dit zijn aanbevelingen voor de release. Kies eerst het doel van de uitvoer: een beknopte veldextractie, een codewijziging met uitleg of een vergelijking die meerdere onderbouwde beslissingen vereist.

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

Tools, documenten en voorspelbare wijzigingen

De servicekaart van de maker vermeldt ook gestructureerde uitvoer, voorspelde uitvoer, documentvragen, antwoordprefixen, batchverwerking en agentgesprekken. Definieer voor extractie de veldnamen, typen en omgang met ontbrekende waarden. JSON-modus levert een gestructureerde weergave, terwijl een aangepast schema een specifiekere vorm definieert in de gekoppelde interface. Vraag alleen om het record wanneer een programma het gaat verwerken, en om een afzonderlijke uitleg wanneer een persoon de interpretatie moet beoordelen.

Documentvragen combineren met OCR voorbereide tekst en structuur met taalmodelbegrip. Benoem voor een vergelijking de documenten en de te beoordelen voorwaarde, en vraag vervolgens om elke bevinding met de bronlocatie. Een bruikbare uitvoer kan gedeelde vereisten, verschillen en open vragen scheiden. Directe beeldvragen kunnen zich richten op een grafieklabel of interface-element; het behouden van koppen, eenheden en de rol van afbeeldingen houdt het antwoord verbonden met het aangeleverde materiaal.

Voorspelde uitvoer is gedocumenteerd voor taken waarbij veel 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 onderdelen die moeten blijven staan. Dit verschilt van vragen om een volledig nieuw artefact of verdergaan vanaf een bekende antwoordprefix. De servicefuncties beschrijven indienings- en opmaakopties; ze veranderen niets aan de tekst- en beeldinvoer of tekstuitvoer van het model.

In een met tools ondersteunde workflow levert de toepassing functiebeschrijvingen en parameters, kiest het model een functie en stelt het argumenten op, waarna de toepassing deze 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 leveren. Verbind het toolresultaat met de bewerking die het opleverde. Redeneren met agents berust op die omgeving; tekstgeneratie alleen voert geen externe acties uit.

Lange sessies voorbereiden

Gebruik de context van 256k voor samenhangende broncode, documenten en gespreksgeschiedenis en houd het daadwerkelijke doel expliciet. Een programmeersessie kan de module, haar aanroeper en de vereisten bewaren terwijl om één afgebakende wijziging wordt gevraagd. Een documentsessie kan relevante secties bij elkaar houden en een korte tabel of herziene passage opleveren. De contextcapaciteit specificeert geen afzonderlijke maximale antwoordlengte; het generatievoorbeeld van 1.024 tokens op de modelkaart is een illustratie, geen dergelijke limiet.

De maker merkt op dat een eerder uitgebrachte configuratie een fout voor lange context bevatte en dat die is gecorrigeerd, ook met gevolgen 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 de namen dezelfde familie delen.