Mistral AI presentó Pixtral 12B, su primer modelo multimodal de lenguaje y visión de pesos abiertos, equipado con 12 mil millones de parámetros y una ventana de contexto de 128.000 tokens. Entrenado a partir de la base de Nemo 12B, Pixtral incorpora un codificador visual completamente nuevo de 400 millones de parámetros desarrollado desde cero por los investigadores de la firma francesa. A diferencia de la gran mayoría de modelos multimodales que obligan a redimensionar o recortar las imágenes a resoluciones fijas prefijadas —destruyendo diagramas técnicos complejos o tipografías pequeñas en documentos PDF—, Pixtral procesa imágenes con cualquier relación de aspecto y resolución de forma nativa, soportando la inclusión de múltiples imágenes de alta resolución en un mismo turno conversacional.
Capítulo 01
La noticia en una frase
Mistral AI lanza Pixtral 12B, modelo multimodal de pesos abiertos con codificador de visión dinámico para analizar múltiples imágenes y documentos complejos.
En pruebas de referencia sobre benchmarks multimodales de referencia como DocVQA, ChartQA y MathVista, Pixtral 12B superó a todos los modelos de su categoría de tamaño (como LLaVA-OneVision y Qwen-VL-Chat) y demostró un rendimiento competitivo frente a modelos comerciales cerrados mucho más grandes, alcanzando un 90,7% en comprensión de documentos estructurados.
Capítulo 02
