L’API Mistral et AI Studio : le guide complet pour les développeurs

AI Studio (anciennement La Plateforme) est la console développeur de Mistral. C’est le point d’entrée pour tout usage programmatique des modèles : clés API, playground, monitoring de la consommation, fine-tuning, Agent Builder, et déploiement. L’API elle-même est un endpoint REST classique /v1/chat/completions, compatible avec les SDKs Python, TypeScript, Java et Go officiels — et avec le SDK OpenAI moyennant un changement de base URL.

Septième article de la série « De zéro à machine de guerre avec Mistral », ce guide s’adresse aux développeurs et aux responsables techniques qui évaluent l’API Mistral pour leurs projets.

Pricing détaillé : tous les modèles, tous les prix

Mistral facture au token (entrée et sortie séparément), comme OpenAI et Anthropic. La différence : les prix sont significativement plus bas, surtout en sortie. Large 3 coûte 40 % de moins en sortie que GPT-5 et 60 % de moins que Claude Sonnet 4.5.

Un tier Experiment gratuit est disponible pour tester les modèles sans engagement. Il impose des limites de débit (rate limiting) mais permet de valider un cas d’usage avant de passer en production.

Premier appel API en cinq minutes

# Premier appel API — Python
import os
from mistralai import Mistral

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

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {"role": "system", "content": "Tu es un assistant technique concis."},
        {"role": "user", "content": "Explique le concept de RAG en 3 phrases."}
    ]
)

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

# Avec le SDK OpenAI (migration rapide)
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["MISTRAL_API_KEY"],
    base_url="https://api.mistral.ai/v1"
)

response = client.chat.completions.create(
    model="mistral-small-latest",
    messages=[
        {"role": "user", "content": "Explique le concept de RAG en 3 phrases."}
    ]
)

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

Les fonctionnalités clés de l’API

Function calling

L’API supporte le function calling (appel de fonctions) sur tous les modèles commerciaux. Vous décrivez des fonctions avec leur signature JSON Schema, le modèle décide quand les appeler et fournit les arguments. C’est le mécanisme qui permet de connecter un LLM à des bases de données, des APIs externes, des outils internes. L’appel parallèle de fonctions est supporté.

Structured outputs

Deux modes disponibles. Le mode JSON : ajoutez response_format: {"type": "json_object"} pour forcer une sortie JSON (vous devez aussi le demander dans le prompt). Les structured outputs personnalisés : fournissez un JSON Schema complet avec response_format: {"type": "json_schema"} et le modèle produit une sortie qui respecte exactement votre schéma — types, clés, structure. Plus fiable que le mode JSON simple, recommandé pour les pipelines de production.

Reasoning configurable

Le paramètre reasoning_effort (couvert dans l’article 2) est disponible via l’API sur mistral-small-latest (Small 4). Ajoutez reasoning_effort="high" pour activer le raisonnement profond, ou "none" pour le mode rapide. Le paramètre est aussi disponible sur les endpoints Agents et Conversations via le champ completion_args.

Vision et multimodal

Small 4 et Large 3 acceptent des images en entrée via l’API. Envoyez une image en base64 ou via URL dans le tableau des messages, et le modèle l’analyse. Cas d’usage : OCR, analyse de graphiques, description d’images, comparaison visuelle.

Mistral OCR 3

Un endpoint dédié (/v1/ocr) pour l’extraction de texte structuré depuis des documents scannés, avec support des tableaux en Markdown ou HTML, extraction de headers/footers, et liens hypertextes. Différent de la vision générale — optimisé spécifiquement pour le traitement documentaire.

Embeddings

Le modèle Mistral Embed génère des vecteurs pour la recherche sémantique, le clustering et les systèmes de recommandation. Prix : 0,01 $ par million de tokens — parmi les moins chers du marché. Compatible avec les bases vectorielles standards (Pinecone, Weaviate, Qdrant, pgvector).

Audio

Voxtral Mini Transcribe pour la transcription (batch et temps réel, avec diarisation), et Voxtral TTS pour la synthèse vocale (9 langues, clonage vocal zero-shot). Les deux sont accessibles via API avec des endpoints dédiés.

Guardrails par requête

Depuis mars 2026, les guardrails peuvent être passés directement dans chaque requête /v1/chat/completions via le champ guardrails. Vous définissez des seuils de modération par catégorie (sexuel, automutilation, etc.) et une action (bloquer ou signaler). Plus besoin d’appeler un endpoint de modération séparé.

Batch inference

Pour les traitements en volume (classification de milliers de documents, scoring, extraction de données), l’API supporte le batching inline — création de jobs batch sans upload de fichier préalable. Utile pour les pipelines de données qui traitent des volumes importants à moindre coût.

Fine-tuning

Le fine-tuning est disponible sur les modèles Small et Medium via l’API. Vous uploadez vos données d’entraînement (format JSONL), lancez un job de fine-tuning, et récupérez un modèle personnalisé déployable via la même API. Techniques supportées : SFT (Supervised Fine-Tuning) et LoRA. Un modèle Small fine-tuné sur vos données métier peut souvent remplacer un Large généraliste — 10x moins cher pour des performances équivalentes sur des tâches ciblées.

Mistral vs. OpenAI vs. Anthropic : comparaison API

Quand choisir l’API Mistral — et quand ne pas le faire

Choisissez Mistral si : la résidence des données en Europe est une exigence (RGPD, HDS, secteur public). Votre application génère beaucoup de tokens en sortie — Large 3 est le modèle le moins cher dans son tier pour les sorties longues. Vous voulez pouvoir fine-tuner et auto-héberger vos modèles. Votre budget API est serré et vous cherchez le meilleur rapport qualité/prix sur des tâches standard.

Choisissez OpenAI si : vous avez besoin du modèle le plus performant tous critères confondus (GPT-5.4 reste la référence sur de nombreux benchmarks). Votre application nécessite un écosystème d’intégrations très riche. Vous utilisez déjà Azure et voulez rester dans l’écosystème Microsoft.

Choisissez Anthropic si : le raisonnement long et la qualité d’écriture sont vos priorités absolues. Vous avez besoin d’une fenêtre de contexte massive (680K+ tokens). Claude Code est central dans votre workflow de développement.

La stratégie de routage intelligente : beaucoup d’applications en production utilisent plusieurs APIs. Small 4 à 0,15 $ pour les requêtes simples (classification, extraction, résumé), Large 3 ou un modèle OpenAI/Anthropic pour les tâches complexes. Le format compatible OpenAI de Mistral rend ce routage trivial à implémenter — un changement de base URL et de clé API suffit.

Passer à l’action

Créez un compte sur AI Studio, générez une clé API, et lancez votre premier appel avec le code ci-dessus. Testez Small 4 d’abord — c’est le modèle avec le meilleur rapport capacité/prix pour la majorité des cas d’usage. Montez à Large 3 quand vous avez besoin de plus de puissance, descendez à Nemo quand le budget compte plus que la qualité.

L’API Mistral n’est pas la plus puissante. Elle est la plus compétitive sur le prix, la plus ouverte sur l’auto-hébergement, et la seule à garantir la résidence des données en Europe. Pour un développeur européen qui construit des applications conformes au RGPD, c’est le point de départ logique.

Article suivant : Open source et auto-hébergement : faire tourner Mistral sur ses propres machines — comment passer de l’API cloud à vos propres GPU.

Article précédent : Mistral Vibe : l’agent de code qui rivalise avec Claude Code