วิธีใช้ Mistral Large 4 API?

Mistral Large 4 เปิดตัวบน Mistral API เมื่อวันที่ 6 ตุลาคม 2026 สามสัปดาห์ก่อนเปิดตัวโมเดลแบบ Open Weights หากคุณต้องการลองใช้ “Le Chonk” ที่มีพารามิเตอร์ 1 ล้านล้านตัวในตอนนี้ API เป็นวิธีเดียว และในขณะนี้ยังเป็นวิธีที่ถูกที่สุดด้วย: Mistral ระบุราคาไว้ที่ $0.68 ต่อล้านโทเค็นอินพุต และ $2.09 ต่อล้านโทเค็นเอาต์พุต ในช่วงพรีวิวสาธารณะ ซึ่งเป็นครึ่งหนึ่งของราคาปกติที่ $1.36 / $4.18

คู่มือนี้จะพาคุณจากศูนย์สู่การเรียกใช้งานครั้งแรกที่ใช้งานได้จริงในเวลาประมาณห้านาที จากนั้นจะครอบคลุมส่วนที่ผู้คนมักจะสับสน: ส่วนการให้เหตุผล (reasoning chunks), การป้อนรูปภาพ, การเรียกใช้ฟังก์ชัน (function calling), เอาต์พุต JSON และค่าใช้จ่าย ทุกคำขอสามารถบันทึกและเล่นซ้ำได้ใน Apidog เพื่อให้คุณสามารถเปรียบเทียบ Large 4 กับโมเดลใดๆ ที่คุณใช้งานอยู่ในปัจจุบัน

เพิ่งรู้จักโมเดลนี้ใช่ไหม? อ่าน Mistral กลับมาแล้ว: Le Chonk เอาชนะ GPT-6 Astra และ Claude ในการโจมตีทางไซเบอร์ ก่อน เพื่อดูการเปรียบเทียบและเรื่องราวเบื้องหลังหัวข้อข่าวไซเบอร์

สิ่งที่คุณต้องมี

ขั้นตอนที่ 1: รับ API key

1. ลงชื่อเข้าใช้ Mistral Studio (เดิมชื่อ La Plateforme)
2. เปิด API Keys และสร้างคีย์ใหม่ ตั้งชื่อที่ระบุว่าจะนำไปใช้ที่ใด เช่น local-dev หรือ ci-staging
3. คัดลอกเพียงครั้งเดียว สตูดิโอจะไม่แสดงให้เห็นอีก
4. ส่งออกในเชลล์ของคุณ:

export MISTRAL_API_KEY="your-key-here"

เก็บ key ให้ห่างจากการควบคุมเวอร์ชัน (source control) หากคุณกำลังเชื่อมต่อ key เข้ากับเครื่องมือหลายอย่าง คู่มือของเราเกี่ยวกับ แนวทางปฏิบัติที่ดีที่สุดในการจัดการ API key จะครอบคลุมการหมุนเวียนและการกำหนดขอบเขต

ขั้นตอนที่ 2: เรียกใช้งานครั้งแรกของคุณ

การตรวจสอบที่เร็วที่สุดคือการใช้ curl แบบธรรมดา:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {"role": "user", "content": "Give me three edge cases to test on a pagination API."}
    ]
  }'

การตอบสนองที่สำเร็จจะส่งคืน choices[0].message.content พร้อมคำตอบ และบล็อก usage ที่มี prompt_tokens, completion_tokens และ total_tokens หากคุณได้รับ 401 แสดงว่า key ไม่ถูกต้องหรือไม่ได้รับการส่งออก หากได้รับ 404 บนโมเดล มักหมายถึงพิมพ์ผิดใน Model ID

การเรียกใช้งานเดียวกันใน Python

import os
from mistralai import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

response = client.chat.complete(
    model="mistral-large-4",
    messages=[
        {"role": "user", "content": "Give me three edge cases to test on a pagination API."}
    ],
)

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

และใน TypeScript

import { Mistral } from "@mistralai/mistralai";

const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });

const response = await client.chat.complete({
  model: "mistral-large-4",
  messages: [
    { role: "user", content: "Give me three edge cases to test on a pagination API." },
  ],
});

console.log(response.choices[0].message.content);

ขั้นตอนที่ 3: บันทึกใน Apidog

การพิมพ์คำสั่ง curl จะกลายเป็นเรื่องน่าเบื่อเมื่อคุณเริ่มเปรียบเทียบโมเดลต่างๆ ใน Apidog:

1. สร้างคำขอ HTTP ใหม่: POST https://api.mistral.ai/v1/chat/completions
2. เพิ่มตัวแปรสภาพแวดล้อม MISTRAL_API_KEY และตั้งค่า header Authorization: Bearer {{MISTRAL_API_KEY}}
3. วางเนื้อหา JSON จากขั้นตอนที่ 2 แล้วกด Send
4. ทำซ้ำคำขอ เปลี่ยน model เป็นโมเดลที่คุณใช้ในปัจจุบัน (เช่น mistral-medium-3-5) แล้วรันทั้งสองคำขอ

ตอนนี้คุณมีคำขอที่บันทึกไว้สองรายการพร้อมพรอมต์เดียวกัน Apidog จะแสดงเนื้อหาการตอบกลับ, สถานะ, เวลา และขนาดของแต่ละรายการ เพื่อให้คุณสามารถเปรียบเทียบคุณภาพคำตอบ, ความหน่วง และจำนวนโทเค็น usage โดยไม่ต้องเขียนสคริปต์ เพิ่มการยืนยันหลังการตอบกลับว่า choices[0].message.content ไม่ว่างเปล่า และคุณก็มี smoke test ที่สามารถรันซ้ำได้ทุกครั้งที่ Mistral อัปเดตพรีวิว

ขั้นตอนที่ 4: เปิดและปิดการให้เหตุผล

Large 4 เป็นโมเดลไฮบริด: โมเดลเดียวกันนี้จัดการทั้งคำตอบที่รวดเร็วและการให้เหตุผลแบบทีละขั้นตอน คุณสามารถควบคุมได้ด้วยพารามิเตอร์เดียวคือ reasoning_effort:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {"role": "user", "content": "Our API returns 200 with an empty body under load. List likely causes in order of probability."}
    ],
    "reasoning_effort": "high"
  }'

นี่คือส่วนที่ทำให้ตัวแยกวิเคราะห์ (parsers) ทำงานผิดพลาด เมื่อตั้งค่า reasoning_effort: "high", message.content จะไม่ใช่สตริงอีกต่อไป แต่จะกลายเป็นรายการของส่วนย่อย (chunks):

• ส่วน thinking ที่เก็บร่องรอยการให้เหตุผล และ
• ส่วน text ที่เก็บคำตอบสุดท้าย

ดังนั้น response.choices[0].message.content จะพิมพ์ออกมาเป็นรายการ ไม่ใช่คำตอบของคุณ ดึงส่วนข้อความ (text chunk) ออกมาอย่างชัดเจน:

response = client.chat.complete(
    model="mistral-large-4",
    messages=[{"role": "user", "content": "Why would a 200 response have an empty body?"}],
    reasoning_effort="high",
)

content = response.choices[0].message.content
if isinstance(content, str):
    answer = content
else:
    answer = "".join(c.text for c in content if c.type == "text")

print(answer)

โทเค็นการคิด (thinking tokens) จะถูกเรียกเก็บเงินเป็นโทเค็นเอาต์พุต (output tokens) ดังนั้นการตั้งค่า "high" จึงมีค่าใช้จ่ายต่อคำขอสูงกว่า ตั้งค่าเริ่มต้นเป็น "none" และเปลี่ยนเป็น "high" เฉพาะในคำขอที่จำเป็นเท่านั้น

ขั้นตอนที่ 5: ส่งรูปภาพ

Large 4 เป็นโมเดลแบบมัลติโมดัลโดยกำเนิด โดยมีตัวเข้ารหัสภาพ (vision encoder) ที่มีพารามิเตอร์ 1.6 พันล้านตัว ส่งรูปภาพเป็นส่วนหนึ่งของเนื้อหาถัดจากข้อความของคุณ:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "This is a screenshot of our API error dashboard. Which endpoint is failing most and what is the error code?"},
          {"type": "image_url", "image_url": "https://example.com/dashboard.png"}
        ]
      }
    ]
  }'

สำหรับไฟล์ในเครื่อง ให้ส่ง URL ข้อมูล base64 แทน: "image_url": "data:image/png;base64,<encoded>" Mistral รายงานว่า Large 4 ทำคะแนนได้ 42% ใน Dense 200 visual-grounding benchmark ซึ่งนำหน้า GPT-6 Astra ที่ 41% เพียงเล็กน้อย ดังนั้นภาพหน้าจอของแดชบอร์ด, แผนภูมิ และสถานะ UI จึงเหมาะสม

ขั้นตอนที่ 6: การเรียกใช้ฟังก์ชัน (Function Calling)

การเรียกใช้ฟังก์ชัน (Function calling) คือจุดที่ประสิทธิภาพของ Large 4 ในด้านตัวแทน (agent benchmarks) (59.9% บน AutomationBench) มีประโยชน์ คุณอธิบายเครื่องมือ, โมเดลจะตัดสินใจว่าจะเรียกใช้เมื่อใด, และโค้ดของคุณจะดำเนินการเรียกใช้งาน

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order_status",
            "description": "Look up the status of an order by its ID.",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string", "description": "The order ID, e.g. ORD-1042"}
                },
                "required": ["order_id"],
            },
        },
    }
]

messages = [{"role": "user", "content": "Where is order ORD-1042?"}]

response = client.chat.complete(
    model="mistral-large-4",
    messages=messages,
    tools=tools,
    tool_choice="auto",
)

tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.function.name, tool_call.function.arguments)

เรียกใช้ฟังก์ชันด้วยตัวคุณเอง จากนั้นส่งผลลัพธ์กลับไปพร้อมกับ tool_call_id ที่ตรงกัน:

import json

result = {"order_id": "ORD-1042", "status": "shipped", "eta": "2026-10-09"}

messages.append(response.choices[0].message)
messages.append({
    "role": "tool",
    "name": "get_order_status",
    "content": json.dumps(result),
    "tool_call_id": tool_call.id,
})

final = client.chat.complete(model="mistral-large-4", messages=messages, tools=tools)
print(final.choices[0].message.content)

schema ของเครื่องมือเป็น JSON Schema แบบธรรมดา หาก API ของคุณมี OpenAPI spec อยู่แล้ว คุณสามารถนำ request schema สำหรับแต่ละการดำเนินการไปใช้ใน parameters ได้โดยตรง การออกแบบ spec ใน Apidog ก่อนจะช่วยให้การนิยามเครื่องมือและ API จริงทำงานสอดคล้องกัน

ขั้นตอนที่ 7: รับข้อมูล JSON กลับมา

เมื่อคุณต้องการเอาต์พุตที่เครื่องอ่านได้ ให้ตั้งค่า response_format:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {"role": "user", "content": "Extract method, path and status code from: GET /v1/users/42 returned 404. Reply in JSON."}
    ],
    "response_format": {"type": "json_object"}
  }'

ระบุ JSON ในพรอมต์และใน response_format ด้วย สำหรับรูปแบบที่เข้มงวด Mistral ยังรองรับ {"type": "json_schema", "json_schema": {...}} พร้อม schema แบบเต็ม ใน Apidog ให้เพิ่มการยืนยัน JSON Schema ในการตอบกลับ เพื่อให้รูปแบบที่เปลี่ยนแปลงไปส่งผลให้เกิดข้อผิดพลาดที่ชัดเจน แทนที่จะทำให้บริการปลายน้ำ (downstream service) เสียหาย

ค่าใช้จ่าย

ตัวอย่างการคำนวณ: เอเจนต์ที่ทำการเรียกใช้งาน 10,000 ครั้งต่อวัน โดยแต่ละครั้งมีโทเค็นอินพุต 3,000 โทเค็น (ส่วนใหญ่เป็นพรอมต์ระบบและเครื่องมือที่แคชไว้) และโทเค็นเอาต์พุต 500 โทเค็น

• อินพุต: 30 ล้านโทเค็น หาก 2,500 จาก 3,000 เป็นแบบแคช จะเป็น 25 ล้านโทเค็นแบบแคชที่ $0.07 และ 5 ล้านโทเค็นใหม่ที่ $0.68 รวมประมาณ $5.15/วัน
• เอาต์พุต: 5 ล้านโทเค็นที่ $2.09 รวมประมาณ $10.45/วัน
• รวม: ประมาณ $15.60/วัน ด้วยราคาพรีวิว หรือประมาณ $31 ในราคาปกติ

ปริมาณงานเดียวกันนี้บน GPT-6 Astra (ราคา $10 / $50 ต่อล้านโทเค็น ก่อนหักส่วนลดแคช) จะมีค่าใช้จ่ายหลายร้อยดอลลาร์ต่อวัน Mistral ยังไม่ได้แจ้งว่าจะสิ้นสุดราคาพรีวิวเมื่อใด ดังนั้นควรกำหนดงบประมาณตามราคาปกติ

ข้อผิดพลาดที่พบบ่อย

คำถามที่พบบ่อย (FAQ)

Mistral Large 4 เข้ากันได้กับ OpenAI หรือไม่? รูปแบบคำขอใกล้เคียงกันมาก: model, messages, tools, tool_choice และ response_format ล้วนทำงานได้ตามที่คุณคาดหวัง ใช้ Mistral SDKs หรือ HTTP ธรรมดาเพื่อความปลอดภัย เอาต์พุตการให้เหตุผลใช้รูปแบบส่วนย่อย (chunk format) ของ Mistral เอง

ฉันสามารถรันบนเครื่องของตัวเองได้เมื่อใด? Mistral กล่าวว่าจะจัดส่งน้ำหนักโมเดล (weights) ภายในสิ้นเดือนตุลาคม 2026 ด้วยพารามิเตอร์รวม 1.05 ล้านล้านตัว จำเป็นต้องใช้ฮาร์ดแวร์เซิร์ฟเวอร์ที่มี GPU หลายตัว ในระหว่างนี้ คู่มือ รัน Mistral 3 บนเครื่องของคุณ ของเราครอบคลุมเครื่องมือสำหรับโมเดลขนาดเล็กกว่า

พรีวิวมีความเสถียรพอสำหรับการใช้งานจริงหรือไม่? ยังไม่เสถียร โมเดลถูกระบุว่าเป็นพรีวิวสาธารณะและอาจมีการเปลี่ยนแปลงก่อนการเปิดตัวโมเดลแบบ Open Weights กำหนดการทดสอบของคุณให้แน่นอน, รันซ้ำเมื่อ Mistral อัปเดตโมเดล, และกำหนดค่าโมเดลสำรองไว้

ฉันสามารถใช้ Large 4 กับโค้ด Mistral ที่มีอยู่ได้หรือไม่? ได้ Base URL เดียวกัน, การยืนยันตัวตนเดียวกัน, SDK เดียวกัน เปลี่ยนสตริง model เป็น mistral-large-4 หากคุณมาจาก Medium 3.5 โปรดดู คู่มือ Mistral Medium 3.5 API ของเราสำหรับส่วนที่ยังคงใช้งานได้

สรุป

ห้านาทีก็ทำให้คุณเรียกใช้งานได้แล้ว ชั่วโมงถัดไปจะดีกว่าถ้าคุณใช้ในการรันพรอมต์จริงของคุณเทียบกับ Large 4 และโมเดลปัจจุบันของคุณแบบคู่ขนาน บันทึกคำขอทั้งสองใน Apidog เพิ่มการยืนยันสถานะและรูปแบบการตอบกลับ และคุณจะรู้ได้ภายในหนึ่งวันว่า Le Chonk จะมีที่ในระบบของคุณหรือไม่ ในขณะที่ราคาพรีวิวยังคงลดครึ่งหนึ่ง