Mistral Medium 3.5: 128B open weights и benchmarks [2026]

Накратко: Mistral Medium 3.5 е 128B dense frontier модел с open weights под Modified MIT лиценз, пуснат на 29 април 2026 г. от френския Mistral AI. Подходящ е за EU enterprises с GDPR изисквания, регулирани индустрии и разработчици с планиран API бюджет — но изостава с 2-10 пункта от Claude при сложни coding задачи.

Ключови факти:

• Дата на пускане: 29 април 2026 г.
• Архитектура: 128B dense параметри (не Mixture-of-Experts)
• Контекст: 256K tokens, multimodal вход (text + image)
• API цена: $1.50/$7.50 на милион tokens (input/output)
• Лиценз: Modified MIT — търговско ползване позволено (с revenue exception)
• SWE-Bench Verified: 77.6%
• τ³-Telecom (агентски): 91.4
• Self-host: официално vLLM с tensor-parallel-size 8; възможно с 4 GPU при FP8 quantization

Какво е Mistral Medium 3.5 и какъв проблем решава?

Mistral Medium 3.5 е флагмански multimodal frontier модел на френския Mistral AI, пуснат на 29 април 2026 г. под Modified MIT лиценз. Моделът обединява две предишни специализирани линии — Devstral 2 (coding) и Magistral (reasoning) — в един 128B dense модел с конфигурируем reasoning toggle и нативна обработка на изображения.

Mistral AI е основан през април 2023 г. в Париж от Arthur Mensch (бивш DeepMind), Guillaume Lample и Timothée Lacroix (и двамата бивши служители на Meta). Компанията се позиционира като европейския отговор на американските затворени модели — със стратегия, фокусирана върху отворени тегла, възможности за self-hosting и съответствие с GDPR и EU AI Act.

Проблемът, който Mistral Medium 3.5 решава, е реален и нараства: затворените модели като Claude Opus 4.7 и GPT-5.5 предлагат водещо качество, но струват $5-30 за милион tokens, нямат опция за self-hosting и оставят данните в инфраструктурата на доставчика. За EU enterprises с GDPR изисквания, регулирани индустрии или компании с непредвидим обем на API заявки, това е сериозно ограничение.

Guillaume Lample, съосновател и chief scientist на Mistral AI, формулира директно стратегията на компанията:

"На практика, огромната част от enterprise приложенията са задачи, които могат да се решат с по-малки модели — особено ако ги донастроите чрез fine-tuning. Клиентите често започват с огромни затворени модели, но осъзнават, че са скъпи и бавни в production." — Guillaume Lample, съосновател и chief scientist, Mistral AI

По данни от Hugging Face, Mistral Medium 3.5 има над 15 000 сваляния само през първия месец и вече има 15 квантизирани версии и 6 варианта с fine-tuning от общността — практическо доказателство, че пазарът чака open-weight frontier алтернативи.

Какви са ключовите функции и възможности?

Mistral Medium 3.5 предлага комбинация от функции, които до момента изискваха три различни модела:

Конфигурируем reasoning — Можете да превключвате между instant reply и reasoning mode за всяка заявка. При активиран reasoning, моделът използва допълнителни inference токени за анализ стъпка по стъпка, подобно на OpenAI o3 или Claude extended thinking. При изключен reasoning — отговаря веднага, без латентност.

Нативна multimodality — Vision encoder, обучен от нулата за поддръжка на различни размери и aspect ratios на изображения. Моделът приема текст и изображения като вход и връща текст като изход, без нужда от отделна OCR pipeline.

256K tokens контекст — С 28% по-голям контекст от Claude Sonnet 4.6 (200K), но около 4× по-малък от DeepSeek V4 Pro (1M) и GPT-5.5 (1.05M). Подходящ за анализ на дълги репозитории, multi-file refactoring и сложни agentic workflows.

Function calling и JSON output — Вградена поддръжка на структурирани отговори и tool use, без нужда от prompt engineering за налагане на формата.

11+ езика с native quality — Според официалния model card: английски, френски, испански, немски, италиански, португалски, нидерландски, китайски, японски, корейски и арабски. Български не е официално включен в списъка, но за европейски езици с латиница качеството е сравнимо с GPT-5.5.

Open weights с търговско ползване — Modified MIT лицензът позволява търговска употреба без лицензионни такси до определен праг за приходи (компании с голям приход трябва да преговарят отделен лиценз).

Какво НЕ може:

Mistral не публикува резултати за GPQA Diamond, MMLU-Pro и LiveCodeBench при пускането, според независим анализ. Това е отстъпка спрямо Anthropic и OpenAI, които публикуват пълни benchmark suites.

При сложни coding задачи Mistral Medium 3.5 изостава с ~2 пункта от Claude Sonnet 4.6 при SWE-Bench Verified — 77.6% срещу 79.6%. За frontier-level coding продуктивност Claude Opus 4.7 остава по-добрият избор с резултат над 87% при същия benchmark.

Self-hosting изисква сериозен hardware — официалното vLLM ръководство препоръчва tensor-parallel-size 8 (т.е. 8 GPU карти) за пълна BF16 точност. С агресивно квантизиране (FP8 или INT4) моделът се събира в 4 H100 карти. За малки екипи това означава месечни инфраструктурни разходи €15 000-30 000, освен ако не се ползва hosted API.

Как работи Mistral Medium 3.5 на практика — стъпка по стъпка

Mistral Medium 3.5 е достъпен през четири канала: директен API, Le Chat (web/mobile UI), Mistral Vibe (coding-фокусиран agent) и self-host чрез Hugging Face weights. Изборът зависи от вашия use case и от изискванията за data residency.

Стъпка 1: Започване с API заявка (Python)

Mistral Medium 3.5 е най-бързо достъпен през Mistral API. Нужни са регистрация в console.mistral.ai, API ключ и pip install:

from mistralai import Mistral

client = Mistral(api_key="YOUR_API_KEY")

response = client.chat.complete(
    model="mistral-medium-3.5",
    messages=[
        {"role": "user", "content": "Обясни как работи RAG в 3 изречения."}
    ],
    temperature=0.7
)

print(response.choices[0].message.content)

Очакван резултат: Отговор за под 2 секунди при инстант режим, цена около $0.001 за заявка.

Стъпка 2: Активиране на reasoning mode

За сложни задачи (математика, code refactoring, multi-step planning) активирайте reasoning effort:

response = client.chat.complete(
    model="mistral-medium-3.5",
    messages=[{"role": "user", "content": "Refactor this O(n²) algorithm to O(n log n)..."}],
    reasoning_effort="high",
    temperature=0.7,
    top_p=0.95
)

Очакван резултат: Допълнителни 5-15 секунди за reasoning плюс по-точен отговор. Внимание: reasoning токените се таксуват като output, така че сложна задача може да струва 3-5× повече.

Стъпка 3: Multimodal заявка с изображение

response = client.chat.complete(
    model="mistral-medium-3.5",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "Какво виждаш на снимката?"},
            {"type": "image_url", "image_url": "https://example.com/screenshot.png"}
        ]
    }]
)

Очакван резултат: Вградена обработка на изображението без отделна OCR стъпка.

Стъпка 4: Self-hosting с vLLM (за enterprise deployments)

pip install vllm "mistral_common>=1.11.1" "transformers>=5.4.0"

vllm serve mistralai/Mistral-Medium-3.5-128B \
  --tensor-parallel-size 8 \
  --tool-call-parser mistral \
  --enable-auto-tool-choice \
  --reasoning-parser mistral \
  --max_num_batched_tokens 16384 \
  --gpu_memory_utilization 0.8

Очакван резултат: Локален OpenAI-съвместим endpoint на http://localhost:8000/v1 — вашите данни никога не напускат инфраструктурата ви.

Стъпка 5: Fine-tuning за domain-specific задачи

Mistral Medium 3.5 поддържа fine-tuning чрез стандартния pipeline на Hugging Face transformers. За малки datasets (под 1 000 примера) LoRA adapters са достатъчни и работят на 1× A100 80GB. Това отваря пътя за специализирани български-нативни варианти, обучени върху локални корпуси.

Ако не работи: Проверете версиите на mistral_common и transformers — старите версии не разпознават новата архитектура. Минимални изисквания: mistral_common>=1.11.1, transformers>=5.4.0.

За кого е подходящ Mistral Medium 3.5?

Mistral Medium 3.5 не е универсален избор. Реалистичната оценка зависи от три фактора: бюджет, регулативни изисквания и сложност на задачата.

Подходящ за:

• EU enterprises с GDPR изисквания — френска компания, ISO 27001 certified, опции за EU data residency в default deployment
• Регулирани индустрии (банки, здраве, държавна администрация) — възможността за self-hosting означава пълен контрол върху потока на данните
• Developers с предвиден API бюджет — на 50% от цената на Claude Sonnet 4.6 и 30% от GPT-5.5
• Open-source ентусиасти и изследователи — модифицираните weights позволяват пълно контролиран fine-tuning
• Компании, които искат vendor diversification — алтернатива на двойната зависимост от OpenAI и Anthropic

НЕ е подходящ за:

• Frontier-level coding продуктивност — Claude Opus 4.7 е с близо 10 пункта по-висок при SWE-Bench
• Real-time приложения с латентност под 500ms при reasoning queries — instant mode е бърз, но reasoning mode добавя забележими секунди
• Малки startup-и без DevOps capacity за self-hosting — API е добър, но истинската стойност на open weights е в опцията за self-host
• Long-context задачи над 256K tokens — DeepSeek V4 Pro предлага 1M, GPT-5.5 — 1.05M
• Български-нативни задачи в продукционно качество — българският не е в официалния списък на 11-те поддържани езика; нужен е A/B тест преди production

Как Mistral Medium 3.5 се сравнява с Claude, GPT-5.5 и DeepSeek V4?

Mistral Medium 3.5 заема специфична ниша: open-weight frontier модел на средна цена. Конкуренцията се групира в три сегмента — затворени frontier модели (Claude и GPT), open-weight frontier (DeepSeek и Qwen) и специализирани open-weight модели.

Анализът показва ясна стратегическа позиция на Mistral Medium 3.5: моделът не е победител в нито един отделен критерий, но е най-балансираният при цялостна оценка по съвкупност от open weights, цена и съответствие с EU регулациите. Според Artificial Analysis, той е #2 по Intelligence Index в категорията си с резултат 39.

За чиста coding продуктивност Claude Opus 4.7 остава лидер със SWE-Bench над 87%, но цената му ($5/$25) е над 4× по-висока. За най-добро price-to-performance в coding с open weights DeepSeek V4 Pro предлага по-висок SWE-Bench (80.6%) при промо цена $0.435/$0.87 — но изисква 16+ GPU за self-host и е под китайска юрисдикция.

За EU compliance сценарии Mistral е практически безалтернативен сред open-weight frontier моделите — единственият европейски frontier lab с публикувани weights и юрисдикция в Париж. Това е критичен фактор за банки, здравни заведения и държавни администрации, които имат сериозни изисквания за data residency.

Цена и наличност на Mistral Medium 3.5 в България

Mistral Medium 3.5 е достъпен от България без географски ограничения. Цените и плановете са в EUR за consumer абонаментите на Le Chat и в USD за API (стандарт за AI инструменти).

Le Chat (consumer и small team):

• Free: chat, web search, image generation — без месечен лимит за обикновени заявки
• Pro: $14.99/месец (около €13.80/месец без ДДС) — extended thinking, 15 GB document storage, advanced coding
• Team: $24.99 на потребител месечно (около €23.00) — до 30 GB на потребител, domain verification
• Enterprise: custom — SSO, SOC 2, dedicated capacity

Mistral API (за developers):

• Input: $1.50 на милион tokens
• Output: $7.50 на милион tokens
• Без месечна абонаментна такса — pay-as-you-go

Self-host (open weights):

• Лиценз: безплатен под Modified MIT (с revenue exception)
• Hardware: 4-8 GPU карти (H100 80GB препоръчителни)
• Cloud cost: €15 000-30 000/месец за 8× H100 в EU region
• On-premise CapEx: €250 000-400 000 за full setup

България е в еврозоната от 01.01.2026, така че плащанията през стандартни бизнес карти преминават без forex надценки. Le Chat и API console приемат всички EU карти и фактурират в EUR за бизнес клиенти. Български разработчици имат достъп до пълните функции без ограничения — за разлика от някои GPT-5.5 функции, които остават регионално заключени.

Ключови показатели за Mistral Medium 3.5:

• API цена: $1.50/$7.50 на милион tokens — 50% по-евтин от Claude Sonnet 4.6
• SWE-Bench Verified: 77.6% — на 2 пункта от Claude Sonnet 4.6
• τ³-Telecom (агентски tool use): 91.4
• Контекст: 256K tokens — 28% по-голям от Claude Sonnet 4.6
• Hugging Face downloads: над 15 000 за първия месец
• Artificial Analysis Intelligence Index: 39 (#2 в класа

Практически съвети за напреднали

Mistral Medium 3.5 разкрива пълния си потенциал само с няколко конкретни практически техники. Тези съвети ще ви спестят пари и време и ще ви предпазят от грешки.

1. Превключвайте reasoning effort според задачата. Default instant mode е достатъчен за 80% от заявките и струва 1× output. reasoning_effort="high" струва 3-5× повече, но дава видимо по-добро качество при multi-step planning, математически задачи и refactoring.

   # Бърз отговор за прости заявки
   response = client.chat.complete(model="mistral-medium-3.5", messages=msgs)
   
   # Дълбок анализ за сложни задачи
   response = client.chat.complete(
       model="mistral-medium-3.5",
       messages=msgs,
       reasoning_effort="high"
   )
   

2. Използвайте FP8 quantization за self-host. Стандартното BF16 внедряване изисква 8× H100, но FP8_E4M3 квантизиране (поддържано нативно) ги намалява до 4 GPU при същото качество. Спестявате около €7 000-15 000 от месечните cloud разходи.

3. Кеширайте системни prompt-ове чрез vLLM KV-cache reuse. Mistral API не предлага експлицитен prompt caching API като Anthropic, но при self-host setup vLLM прави автоматично KV-cache reuse за повтарящи се системни prompt-ове — намалява TTFT с 60-80%. За API workloads — групирайте заявки с еднакъв system prompt.

4. За RAG приложения използвайте dedicated embedding model. Mistral Medium 3.5 не е embedding модел — за това използвайте mistral-embed (отделна тарификация). Ако градите RAG система от нулата, прочетете пълното ръководство за RAG имплементация.

5. Тествайте multi-language quality преди production deploy за БГ задачи. Българският не е в официалния списък — направете A/B тест срещу GPT-5.5 със същите prompt-и преди да преминете към Mistral Medium 3.5 за български-нативни приложения. Очаквайте около 5-15% спад в качеството спрямо инструменти с native BG поддръжка.

Често задавани въпроси за Mistral Medium 3.5

Заслужава ли си Mistral Medium 3.5?

Mistral Medium 3.5 не е най-добрият модел в нито една отделна категория, но е най-балансираният open-weight frontier избор към май 2026 г. За EU enterprises с GDPR изисквания, регулирани индустрии, open-source ентусиасти и разработчици с планиран API бюджет — определено си заслужава.

За frontier-level coding продуктивност изберете Claude Opus 4.7 (по-добър SWE-Bench, 4× по-скъп). За най-евтин open-weight frontier — DeepSeek V4 Pro (по-висок SWE-Bench, по-голям контекст, по-евтино, но китайска юрисдикция). За най-голям контекст и frontier reasoning — GPT-5.5 (1.05M tokens, но затворен и по-скъп).

Конкретен следващ ход: За production интеграция започнете с API ($1.50/$7.50) преди да инвестирате в self-host. След 2-4 седмици с реален traffic, ако обемът надвишава €5 000 месечно, оценете преминаването към self-host чрез официалното vLLM ръководство. Break-even точката е около €8-12K месечен usage — над тази стойност self-host става по-евтино от API.

Започнете с Mistral Medium 3.5 → console.mistral.ai или Le Chat за индивидуална употреба.

Допълнителни ресурси

• Mistral Medium 3.5 model card (официална документация)
• Hugging Face: open weights и quantizations
• Vibe remote agents announcement (Mistral блог)
• Artificial Analysis: Intelligence Index ranking
• Сравнителни прегледи: Claude Opus 4.7, DeepSeek V4, GPT-5.5