Indlæser kataloget…
Indlæser kataloget…
Mistral AIs Apache-2.0 Ministral 3 3B Instruct-model: tekst og billeder ind, tekst ud, 256k kontekst, bygget til hurtige, simple opgaver.
Oversigt. ministral-3b-2512 er Mistral AIs Ministral 3 3B Instruct-modelversion fra udgivelsen i december 2025: en tæt sprogmodel på 3,4 milliarder parametre parret med en 0,4 milliarder Pixtral-type billedkoder, hvilket giver i alt 3,85 milliarder parametre. Den accepterer tekst og billeder som inddata og returnerer tekst med et kontekstvindue på 262.144 tokens, indbyggede verktøjskald og åbne vægte under Apache-2.0. Udviklere vælger den, når en lille multimodal instruct-model er tilstrækkelig, og det er vigtigt at kunne køre vægtene selv eller hos kunden.
Vigtigste styrker. Det vigtige signal her er arkitektonisk snarere end baseret på ranglister: Der er ikke offentliggjort MMLU-, Arena- eller HumanEval-tal for denne modelversion i den research, der ligger til grund for denne side. Det, der er bekræftet, er et langt kontekstvindue på 256k på en tæt model i 3B-klassen, indbygget billedforståelse via Pixtral-type koderen, indbyggede verktøjskald og en instruct-eftertræning, der accepterer en systemprompt. Åbne vægte under Apache-2.0 gør den samme modelversion tilgængelig til at køre selv såvel som til drift hos en inferensleverandør.
Anvendelsesområder. Brug denne model til simpelt arbejde med kort svartid — klassificering, korte udkast, tekstning af billeder og lette værktøjskald — når en model i 3B-klassen i realtid er det rette valg, og der ikke kræves ræsonnering over mange trin. Foretræk en større Ministral-søskendemodel eller en dedikeret ræsonneringsmodel, når præcision i komplekse opgaver er vigtigere end størrelsen.
Begrænsninger. Dette er en instruct-modelversion, ikke en ræsonneringsmodel: Den danner ikke udvidede ræsonneringsspor, og Mistral AI leverer ræsonnering i tankekæde i en separat Ministral 3 3B Reasoning-udgivelse. Hvor træningsdataene slutter, er ifølge leverandøren 1. oktober 2023. Der er ingen dokumenteret lyd som inddata eller uddata og ingen indbygget websøgning. JSON-schema-begrænset afkodning er ikke dokumenteret for denne modelversion, mens den medfølgende chat-skabelon danner flere værktøjskald i en enkelt runde.
Bemærkning om suverænitet. Mistral AI er en fransk modelskaber med hovedkvarter i Paris; det er ikke et selskab med amerikansk moderselskab, selvom en amerikansk afdeling betyder, at det ikke kategorisk kan udelukkes, at de er underlagt CLOUD Act. Denne udgivelse har åbne vægte under Apache-2.0, så du kan køre den i dit eget miljø. På Stav betjenes den gennem Mistral-endepunktet; kontrollér endepunktets region for dataplacering og niveau for regulerede arbejdsopgaver. Leverandørens systemprompt oplyser ikke om regler for ingen træning på dine data ved kald til deres API.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L1 | 0,10 / 0,10€ | Online |
18 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Indbygget understøttelse af verktøykald i en kompakt 3B-variant af Ministral gør den til en kompetent og billig backend til enkle apps med verktøykald, hvor suverænitet og kort svartid betyder mere end dyb ræsonnering.
En pris- og suverænitetsorienteret 3B-chatmodel med 131k kontekst er tilstrækkelig til FAQ-support, når nøjagtigheden er valideret inden for domænet; den er ikke førende i sin klasse til svær ræsonnering over mange runder.
Velegnet til korte professionelle udkast og svarforslag til en lav inferenspris; kreativ finish og lange e-mails med mange afsnit vil være svagere end hos de større Mistral-niveauer.
Kompakte modeller, der er finjusteret til instruktioner, håndterer rutinemæssigt klassificering godt; Ministral-3B er en fornuftig og billig klassifikator, når prompt-skemaer er korte, og klasserne er veldefinerede.
Korte opgaver med omskrivning og udvidelse passer godt til en lille, hurtig model; velegnet som en billig RAG-behandlingskæde frem for som en tung ræsonneringsmodel.
Kontekstvinduet på 131.072 tokens er det mest bemærkelsesværdige ved denne størrelse, hvilket muliggør opsummering af lange tråde eller dokumenter i én arbejdsgang uden opdeling, når kravene til dybde er moderate.
Manglen på benchmarks for kodegenerering og det lave antal parametre gør denne model til et svagt førstevalg til agentisk koding i stor skala, på trods af grundlæggende understøttelse af verktøykald.
Billedforståelse/OCR er ikke en del af egenskaberne; dette er en ren tekstmodel.
Verktøykald er til stede, men en 3B-model uden publicerede benchmarks for planlægning eller agenter er et svagt standardvalg til pålidelige planer med mange trin sammenlignet med større ræsonneringsmodeller.
Ingen egenskaber for billedforståelse er angivet; kan ikke udføre spørgsmål-svar på billeder.
Ingen lyd- eller taleegenskaber; uegnet til transskribering.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, ifbench, aa-multilingual-index, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "mistral-ai/ministral-3b-2512",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på