Mistral Medium 3: французский чемпион среднего ценового сегмента

Mistral AI из Парижа выпустила Medium 3 — модель с лучшим соотношением цена/производительность в 2026 году. При цене $1.5/1M input и $7.5/1M output — в 3× дешевле GPT-5.5, но конкурирует с ним на большинстве задач. Mistral — единственная крупная европейская AI-компания, создающая открытые модели корпоративного класса.

→ Официальный сайт Mistral AI

Ключевые характеристики

• Контекст: 128K токенов — обрабатывает целые кодовые базы и длинные документы
• Специализация: код, рассуждение, мультиязычность (32+ языка включая русский)
• Function Calling: нативная поддержка параллельных вызовов функций
• Серверы: EU — GDPR по умолчанию, идеально для privacy-sensitive проектов
• JSON Mode: структурированный вывод без сложного промпт-инжиниринга

Бенчмарки vs конкуренты

Когда выбирать Mistral Medium 3

• Корпоративные проекты с GDPR: обработка европейских данных — сервера в EU
• Высоконагруженные системы: в 3× дешевле GPT-4o при сопоставимом качестве
• Мультиязычный контент: русский, европейские языки — сильная точка модели
• RAG-системы: большой контекст + точное следование инструкциям

Доступ через PlusVibe из России

Mistral Medium 3 — официальная страница. API: mistral.ai/api.

Mistral Medium 3 доступен через or-mistral-medium-3. Цена в рублях ~111 руб/1M input, ~555 руб/1M output.

from openai import OpenAI

client = OpenAI(
    api_key="sk-pv-ваш_ключ",
    base_url="https://plusvibeapi.ru/v1"
)

response = client.chat.completions.create(
    model="or-mistral-medium-3",
    messages=[
        {"role": "system", "content": "Ты опытный технический аналитик."},
        {"role": "user", "content": "Объясни разницу между precision и recall"}
    ]
)
print(response.choices[0].message.content)

Пример: RAG-система на Mistral

# Mistral хорошо держит длинный контекст — идеален для RAG
def rag_query(context_docs: list[str], question: str) -> str:
    context = "\\n\\n".join(context_docs)
    response = client.chat.completions.create(
        model="or-mistral-medium-3",
        messages=[
            {"role": "system", "content": f"Отвечай только на основе документов:\\n{context}"},
            {"role": "user", "content": question}
        ]
    )
    return response.choices[0].message.content