mistralai

Mistral: Mistral Medium 3.5 (batch)

mistralai/mistral-medium-3-5:batch

Nuestro análisis

Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.

OpenRouter cataloga mistralai/mistral-medium-3-5:batch como la variante por lotes de Mistral Medium 3.5, un modelo denso de 128B. El catálogo indica entradas de texto, imagen y archivo con salida de texto, una ventana de contexto de 256K tokens, controles de herramientas y razonamiento opcional de esfuerzo alto. La ficha del modelo subyacente presenta Medium 3.5 como un modelo unificado de seguimiento de instrucciones, razonamiento, programación, visión, multilingüismo y operación agéntica. Estas capacidades proceden de las fuentes; no se aportaron pruebas independientes del endpoint :batch, así que conviene validar calidad, latencia, manejo de archivos y herramientas con cargas representativas.[1][2]

Puntos fuertes

Las fuentes describen un único conjunto de pesos para seguimiento de instrucciones, razonamiento y programación, mientras el catálogo expone llamadas a funciones, salidas estructuradas y controles de razonamiento por solicitud.[1][2]
El catálogo indica una ventana de contexto de 256K tokens y entradas de texto, imagen y archivo; la ficha describe específicamente entrada de texto e imagen y un codificador visual para tamaños y proporciones variables.[1][2]
La ficha reporta amplia cobertura multilingüe, fuerte adherencia a instrucciones del sistema, llamadas nativas a funciones y salida JSON; OpenRouter expone parámetros relacionados para herramientas y salidas estructuradas.[1][2]

Limitaciones

La única evidencia específica de :batch es el catálogo de OpenRouter; la ficha aportada documenta el modelo canónico subyacente, por lo que conviene validar el comportamiento del endpoint.[1][2]
La información de benchmarks disponible procede del proveedor y de campos del catálogo, no de una prueba independiente con cargas reales; conviene tomarla como orientativa y no como prueba para producción.[1][2]
La única salida indicada es texto. El corte de conocimiento no está especificado, la entrada de archivos solo aparece en OpenRouter y la documentación advierte que una configuración antigua de Transformers puede degradar el rendimiento en contexto largo.[1][2]

Dónde utilizarlo

Considérelo para pipelines por lotes no interactivos que conviertan entradas de texto, imagen o archivo en texto, después de confirmar la semántica de lote del proveedor y el soporte de archivos.[1]
Evalúelo para asistentes de programación y flujos agénticos que requieran razonamiento configurable, llamadas a funciones, salidas estructuradas y una ventana de contexto amplia.[1][2]
Puede encajar en aplicaciones multilingües de análisis documental o visual cuando basta una salida de texto; pruebe primero el manejo de imágenes y archivos.[1][2]

Fuentes

[1] OpenRouter catalog · Mistral: Mistral Medium 3.5 (batch)Fuentes consultadas: 13 nov 2026
[2] Model documentation · Mistral: Mistral Medium 3.5 (batch)Fuentes consultadas: 13 nov 2026

Sobre este modelo

La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.

Mistral Medium 3.5 is a dense 128B instruction-following model from Mistral AI. It supports text and image inputs with text output, and is designed for agentic workflows, coding, and complex...

Especificaciones

ID del modelo: mistralai/mistral-medium-3-5:batch
ID canónico: mistralai/mistral-medium-3.5-20260430
Creador: mistralai
Añadido a OpenRouter: 30.04.2026
Longitud de contexto: 262,144
Modalidad: text+image+file->text
Modalidades de entrada: text, image, file
Modalidades de salida: text
Precio por token: USD por 1M de tokens: entrada $0.750 / salida $3.75
Corte de conocimiento: —
Fecha de expiración: —

Tareas y capacidades

Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.

Tarea	Nota	Capacidad declarada por la fuente
Calidad general	CC — por debajo de la franja B	razonamiento: opcional · predeterminado high · esfuerzos: high, none · parámetros: include_reasoning, reasoning, reasoning_effort
Programación	BB — siguiente 30% de la cohorte	—
Agentes	CC — por debajo de la franja B	parámetros: structured_outputs, tool_choice, tools
Escritura	Sin medición	salida: text
Razonamiento	Sin medición	razonamiento: opcional · predeterminado high · esfuerzos: high, none · parámetros: include_reasoning, reasoning, reasoning_effort
Análisis de documentos	Sin medición	entrada: file
Visión	Sin medición	entrada: image
Generación de imágenes	Sin medición	—
Audio	Sin medición	—
Vídeo	Sin medición	—
Embeddings	Sin medición	—

Evaluaciones

Fuente	Benchmark	Valor	Nota	Datos obtenidos
Artificial Analysis	Intelligence index	4.6	CC — por debajo de la franja B	13.11.2026
Artificial Analysis	Coding index	46.9	BB — siguiente 30% de la cohorte	13.11.2026
Artificial Analysis	Agentic index	7	CC — por debajo de la franja B	13.11.2026

Cómo funcionan las notas

Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.

S — S — 10% superior de la cohorte
A — A — siguiente 20% de la cohorte
B — B — siguiente 30% de la cohorte
C — C — por debajo de la franja B

Proveedores

Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.

Proveedor	Longitud de contexto	Precio entrada /1M	Precio salida /1M	Latencia p50 (30m, s)	Rendimiento p50 (30m, tok/s)	Disponibilidad (30m)
Mistral	262,144	$0.750	$3.75	—	—	—

Datos de proveedores obtenidos: 13.11.2026

Ningún artículo publicado identifica aún este modelo.