mistral-medium-latest

Oversigt. Mistral Medium 3.5 (2604-snapshotten) er en tæt model med 128 milliarder parametre fra Mistral AI. Den accepterer tekst og billeder som inddata og genererer tekst som uddata. Ræsonnering kan slås til eller fra per forespørgsel, så én model dækker både hurtig instruktionsfølgning og længere ræsonneringstunge opgaver.

Vigtigste styrker. Modellen har et kontekstvindue på 262.144 tokens, hvilket er bekræftet i Mistral AIs offentliggjorte konfiguration, og det gør den velegnet til lange dokumenter og omfattende sessioner med mange runder. Da modellen er tæt, er alle 128 milliarder parametre aktive for hvert token. Indbygget billedforståelse betyder, at screenshots, diagrammer og scannede sider kan indgå i samme forespørgsel som tekst. Vi har ingen benchmarkresultater for denne snapshot, så disse styrker er baseret på arkitekturen og de dokumenterede egenskaber, ikke på scores.

Anvendelsesområder. Brug den til komplekse opgaver, der kræver et stort kontekstvindue, såsom analyse af lange dokumenter eller arbejde på tværs af store kodeløsninger. Den passer også til arbejdsopgaver, der blander tekst og billeder. Slå ræsonnering til ved sværere problemer og fra, når du ønsker et hurtigere og mere direkte svar. Hvis en opgave er enkel og følsom over for svartid, er en mindre model sendt gennem Smart Router sandsynligvis et bedre valg.

Begrænsninger. Der er ikke fastlagt benchmarkdata, hvor træningsdataene slutter, eller en separat maksimal længde for uddata for denne snapshot, så du bør selv validere kvaliteten på dit eget arbejde, før du lægger dig fast. Ræsonnering er en simpel til/fra-kontakt frem for ræsonneringsniveauer. Den modificerede MIT-licens er ikke standard MIT: Den begrænser brug over en vis omsætningsgrænse for virksomheder, medmindre du indhenter en separat kommerciel licens fra Mistral AI.

Bemærkning om suverænitet. Mistral AI har hovedkontor i Frankrig og er ikke underlagt CLOUD Act, hvilket understøtter suveræne løsninger i EU. Endepunktets dataplacering og politik for ingen træning på dine data er ikke bekræftet i undersøgelsen af denne model, så kontrollér disse på det specifikke endepunkt, du bruger.