Pixtral

Mistrals freies Vision-Modell: verarbeitet Bilder in nativer Auflösung, mehrere Bilder pro Prompt, 128K Kontext.

So nutzt du es

Am einfachsten per Ollama: ollama pull <modellname> und dann ollama run <modellname> — oder komfortabel mit LM Studio (grafische Oberfläche, Modell-Suche eingebaut). Die Hardware-Angaben unten beziehen sich auf die übliche 4-Bit-Quantisierung (Q4).

Größen & Hardware

• Verfügbare Größen: 12B
• Empfohlene Hardware (Q4): 12–16 GB

Im Detail

Pixtral ist Mistrals offenes Vision-Sprachmodell, das Bilder in ihrer nativen Auflösung verarbeitet statt sie wie viele Konkurrenten vorher herunterzuskalieren – das erhält Details in Diagrammen, Screenshots und Dokumenten. Es akzeptiert mehrere Bilder in einem Prompt und bietet mit 128K Tokens viel Platz für Kontext, etwa lange Dokumente mit eingebetteten Grafiken. Mit 12B Parametern und 12–16 GB RAM-Bedarf läuft es auf einer Mittelklasse-GPU. Für Bildbeschreibung, das Auswerten von Screenshots oder OCR-nahe Aufgaben ist es eine solide freie Alternative zu GPT-4V, auch wenn es bei sehr komplexem visuellem Schlussfolgern nicht ganz mithält.

Praxis-Tipp

Mehrere Screenshots einer Web-App gleichzeitig hochladen und fragen „Was hat sich zwischen diesen beiden Ansichten verändert?“ – Pixtral vergleicht sie in einem Prompt.

Lizenz & Quelle

• Lizenz: Apache-2.0
• Quelle: HF