Text & Reasoning
Mistral Large 4
Offenes multimodales MoE-Modell mit 1,05T Gesamtparametern, 52B aktiven Parametern und einem 1,6B Vision-Encoder.
Technologie verstehen.
Besser entscheiden.
Text & ReasoningMistral Medium 3.5 ist ein Sprachmodell von Mistral AI. Für die Auswahl zählen deine Aufgabe, die unterstützten Eingaben und der konkrete Zugang. Das Praxisbeispiel hilft dir, eine Antwort selbst zu prüfen.
Wenn du lokal arbeiten möchtest, prüfe zuerst Lizenz, passende Laufzeit und den Speicherbedarf deiner Modellvariante. Offene Gewichte allein sagen noch nicht, ob dein Rechner dafür ausreicht.
Aktuell im HerstellerkatalogQuellenstand 2026-10-13
Mistral AI im Verzeichnis
Identität, Funktionen und Betrieb getrennt lesen. Die Angaben beziehen sich auf diese konkrete Version.
„Nicht bestätigt“ kennzeichnet eine offene Angabe. Es bedeutet weder „nicht vorhanden“ noch „unbegrenzt“.
| Hersteller | Mistral AI |
|---|---|
| Modellfamilie | Mistral · Ministral · Voxtral |
| Modell-/API-ID | mistral-medium-3-5 |
| Status | Aktuell im Herstellerkatalog |
| Modellart | Text & Reasoning |
|---|---|
| Eingabe | Text, Bild |
| Ausgabe | Text |
| Kontext | 256.000 Tokens |
|---|---|
| Maximaler Output / Horizont | Nicht bestätigt |
| Bereitstellung | Offene Gewichte; API zusätzlich verfügbar |
|---|---|
| Gewichte | Offene Gewichte dokumentiert |
| Lizenz | Modified MIT |
Input und Output sind getrennte Texttarife je einer Million Tokens. Preisstufen, Cache, Werkzeuge und weitere Bedingungen stehen im Kostenabschnitt. Kein Preis für eine konkrete Aufgabe.
Datenbasis: Herstellerangaben im Quellenstand 2026-10-13. Quellen zu diesem Profil ↓

Mistral Medium 3.5 ist ein Text & Reasoning-Modell von Mistral AI. Eingabe: Text, Bild. Ausgabe: Text.
Wähle eine kleine Aufgabe mit einer überprüfbaren Lösung: etwa fünf Informationen aus einem gegebenen Dokument extrahieren. Prüfe die Antworten am Original, nicht nur die Formulierung.
Vor einem lokalen Test zuerst Gewichteformat, Lizenz, Arbeitsspeicher und unterstützte Runtime prüfen. Notiere die genaue Modellversion. Ein Kurzname in der API kann später auf einen anderen Modellstand verweisen. Der Auswahlguide für lokale KI-Modelle vertieft die Prüfung von Aufgabe, Gewichteformat, Speicher und Lizenz vor einem eigenen Versuch.
Lokaler Betrieb: Verfügbare Gewichte allein belegen nicht, dass dieses Modell auf deinem Rechner läuft. Speicherbedarf, Quantisierung, Kontext und unterstützte Hardware müssen zusammenpassen.
Leistung: Wir haben die Leistung dieses Modells hier nicht selbst gemessen. Nutze die Aufgabe unten, um es an deinen Anforderungen zu prüfen.
Tarife und Zugang vor Nutzung in der Anbieterquelle prüfen.
Textkosten im Rechner schätzen →Zugang: Offene Gewichte; API zusätzlich verfügbar. Prüfe vor einer Integration die für dein Konto und deine Region verfügbaren Endpunkte. Ein Eintrag im öffentlichen Katalog ist keine Bestätigung eines freigeschalteten Kontos.
Praxisergänzung geprüft am 22. Oktober 2026 · eigene Aufgabe, kein Modellbenchmark
Ein günstiger Stückpreis reicht für einen Angebotsvergleich nicht aus. Du brauchst dieselbe benötigte Menge und musst Packungsgrößen mitrechnen. Das fiktive Beispiel enthält deshalb ein Angebot mit Einzelstücken und eines mit Packungen. Der Versand fehlt bei einem Anbieter bewusst. Die Ausgabe soll die bekannte Rechnung zeigen, ohne daraus einen unbelegten Gesamtsieger zu machen.
Mistral dokumentiert Medium 3.5 für multimodale und agentische Aufgaben, als offene Gewichte sowie über gehostete Wege. Für diese Übung brauchst du nur Texteingabe. Verwende die konkrete Modell-ID mistral-medium-3-5 und halte den gewählten Betriebsweg fest. Ein eigener Betrieb und die Hersteller-API haben unterschiedliche Infrastruktur- und Kostenbedingungen; die kurze Preisrechnung unten betrifft ausschließlich fiktive Warenangebote.

Halte Modellversion, gewählten Zugang und Einstellungen fest. Nutze nur die fiktiven Angaben dieser Vorlage.
Bearbeite die Aufgabe und speichere den geforderten JSON-Teil unverändert als antwort.json. Bei einer freien Antwort erstellst du den Prüfteil selbst und kennzeichnest das.
Vergleiche mit dem Soll und prüfe mindestens einen veränderten Eingabefall. Ein bestandener Beispielsatz ersetzt keine Abnahme auf deinen eigenen Daten.
Die Angaben sind fiktiv. Speichere den geforderten JSON-Teil der Antwort separat als antwort.json; zusätzliche Erklärungen gehören in eine andere Datei.
Benötigt werden genau 12 Stifte. Alle Beträge sind Cent; keine Steuern oder weiteren Kosten ergänzen.
Angebot A: 1 Stift pro Einheit, 180 Cent je Einheit, Versand 300 Cent.
Angebot B: 6 Stifte pro Packung, 900 Cent je Packung, Versand unbekannt.
Gib JSON: einheiten_a, packungen_b, warenwert_a_cent, gesamt_a_cent, warenwert_b_cent, gesamt_b_cent (unbekannt null), gesamtsieger (unbekannt null). Keine halben Packungen.Vorlage herunterladenLokalen JSON-Prüfer herunterladen
{
"einheiten_a": 12,
"packungen_b": 2,
"warenwert_a_cent": 2160,
"gesamt_a_cent": 2460,
"warenwert_b_cent": 1800,
"gesamt_b_cent": null,
"gesamtsieger": null
}Das Soll ist redaktionell aus der Vorlage abgeleitet, keine aufgezeichnete Modellantwort. Der lokale Prüfer vergleicht die festgelegten Felder und führt keinen generierten Code oder API-Aufruf aus. Er bewertet keine freien Begründungen.
Speichere Prüfer und deine Antwort im selben Ordner. Mit installiertem Python: python pruefen.py antwort.json.
| Beobachtung | Was du prüfst |
|---|---|
| B wird zwölfmal gekauft | Unterscheide Stückzahl und Anzahl der Packungen. |
| B gewinnt sicher | Der fehlende Versand kann den Gesamtvergleich verändern. |
| A kostet 2160 Cent insgesamt | Die Versandkosten fehlen in der Summe. |
Wie du bekannte Kosten, Annahmen und offene Angaben trennst, übst du unter Kosten und Nutzen nachvollziehbar prüfen.
Mit denselben Angebotsdaten kannst du anschließend zwei Modelle unter gleichen Bedingungen vergleichen und die Fehlerarten dokumentieren.
Gezielte Praxisergänzung auf Basis aktueller Herstellerunterlagen. Der Datenstand der bisherigen Modell-Faktentabellen bleibt separat ausgewiesen. Neue Beispiele und Grafiken sind eigene Erklärungen; es wurden keine Modellantworten oder Leistungswerte gemessen.
Herstellerunterlagen zur Ergänzung: Mistral Medium 3.5 - Mistral AI | Mistral Docs (Abruf 2026-10-22) · JSON Mode | Mistral Docs (Abruf 2026-10-22).
Quellenstand: 2026-10-13. Spezifikationen, Tarife und Zugang können sich ändern. Die Illustration zeigt den dokumentierten Datenweg, keine gemessene Leistung.
Mistral Medium 3.5 ist ein Text & Reasoning-Modell von Mistral AI. Eingabe: Text, Bild. Ausgabe: Text. Hersteller: Mistral AI. Dokumentierte ID: mistral-medium-3-5.
Eingabe: Text, Bild. Ausgabe: Text. Maßgeblich sind die Funktionen des konkreten Endpunkts in der Herstellerquelle.
Offene Gewichte sind dokumentiert. Die Lizenz Modified MIT, unterstützte Runtime und benötigte Hardware musst du zusätzlich prüfen.
1.5 / 7.5 USD je 1 Mio. Texttokens. Tarife und Zugang vor Nutzung in der Anbieterquelle prüfen. Bei selbst betriebenen Gewichten kommen Hardware- und Betriebskosten hinzu.
Nein. Das Profil dokumentiert Herstellerangaben mit Quellenstand 2026-10-13. Die Testidee ist redaktionell formuliert und wurde hier nicht ausgeführt; sie ist keine Qualitätsgarantie.
Im dokumentierten Quellenstand: 256.000 Tokens. Beachte die Bedingungen der konkreten Modellversion und des verwendeten Endpunkts. Kontext ist keine Wortzahl und kein Nachweis, dass jede enthaltene Information zuverlässig verarbeitet wird.
Lege eine kleine Aufgabe mit bekanntem oder nachprüfbarem Ergebnis fest. Notiere Version, Eingabe und Einstellungen. Vergleiche die Ausgabe mit deinem Prüfkriterium und halte Fehler sowie tatsächliche Kosten getrennt fest. Die Testidee auf dieser Seite ist ein Vorschlag und wurde hier nicht als Modelltest ausgeführt.
Nein. Stifte, Mengen und Centbeträge sind eine fiktive Rechenvorlage. Modelltarife stehen getrennt in der Faktentabelle mit ihrem Quellenstand.
Nein. Der Auftrag verwendet nur Text. Wenn du später echte Angebotsbilder nutzt, muss dein gewählter Zugang Bilddaten unterstützen und übertragen.
Der Versandpreis von Angebot B fehlt. Eine niedrigere bekannte Teilsumme ist noch kein nachgewiesener niedrigerer Gesamtpreis.
Text & Reasoning
Offenes multimodales MoE-Modell mit 1,05T Gesamtparametern, 52B aktiven Parametern und einem 1,6B Vision-Encoder.
Text & Reasoning
Mistral Large 3 ist ein Text & Reasoning-Modell von Mistral AI. Eingabe: Text, Bild. Ausgabe: Text.
Text & Reasoning
Mistral Small 4 ist ein Text & Reasoning-Modell von Mistral AI. Eingabe: Text, Bild. Ausgabe: Text.