Indlæser kataloget…
Indlæser kataloget…
Mistral AI's tætte 8B Instruct-model med tekst og billeder som inddata, et kontekstvindue på 262.144 tokens og åbne Apache-2.0-vægte.
Oversigt. Ministral 3 8B Instruct 2512 er en tæt, instruktionstrænet model fra Mistral AI, udgivet i december 2025 som en del af Ministral 3-modelfamilien. Den accepterer tekst og billeder som inddata, returnerer tekst og leveres med et kontekstvindue på 262.144 tokens. Udviklere kan bruge den, når de har brug for en kompakt multimodal model med åbne vægte.
Vigtigste styrker. Modellen parrer en sprogmodel på ca. 8,4 milliarder parametre med en billedencoder på 0,4 milliarder, så billedanalyse er indbygget i modellen og kræver ikke en separat behandlingskæde. Dens kontekstvindue på 262.144 tokens er stort for en model af denne størrelse. Apache-2.0-vægtene er offentlige og frit tilgængelige. Stav-kataloget har ingen benchmark-resultater for denne modelversion, så vi fremsætter ingen påstande om benchmarks her.
Anvendelsesområder. Brug den til chat- og assistentopgaver, der blander tekst og billeder, såsom at beskrive screenshots eller udtrække detaljer fra fotos. Den er også velegnet til prompter med lang kontekst, hvor en større model er mere, end opgaven kræver. Smart Router kan betragte den som egnet til enkle til mellemsvære opgaver. Vælg den, når du ønsker vægte med en tilladelig licens, som du kan downloade og køre selv.
Begrænsninger. Uddata er kun tekst, og der er ingen inddata eller uddata for lyd. Mistral udgiver en separat ræsonneringsversion, så denne Instruct-model er ikke den variant, og resultater for Base- og Reasoning-modellerne bør ikke læses som denne models resultater. Leverandørens medfølgende systemprompt angiver, at viden i modellen slutter i oktober 2023, så nylige begivenheder kan mangle.
Bemærkning om suverænitet. Mistral AI er modelskaberen, og vægtene er udgivet under Apache-2.0, så du kan køre inferens på teknologi, du selv kontrollerer. Denne models regler for ingen træning på dine data og endepunktets dataplacering er ikke bekræftet, så kontrollér det endepunkt, du vælger.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L1 | 0,15 / 0,15€ | Online |
29 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Omskrivning af forespørgsler er en kort opgave, der er følsom over for svartid, hvor en lille, billig model er det ideelle valg. Understøttelse af værktøjskald giver mulighed for strukturerede omskrivninger som uddata.
Routering og sortering af hensigt er korte opgaver med lav kompleksitet, hvor en billig og hurtig lille model er det rette valg. Værktøjskald understøtter struktureret uddata til routering, og suverænitet er en fordel for afdelinger i EU.
Dokumenteret understøttelse af værktøjskald plus et kontekstvindue på 262.144 tokens dækker typiske arbejdsopgaver med funktionskald til en lav pris. Der er ingen benchmarkdata i kataloget, så du bør validere præcisionen af kaldene før brug i drift.
Billig, lille model fra en fransk modelskaber uden eksponering for CLOUD Act, hvilket passer til supportløsninger i EU. Værktøjskald gør det muligt at slå op i sager og CRM-systemer, selvom præcisionen ikke er testet i benchmarks.
Udkast til korte tekster ligger inden for rækkevidde for en kompakt model, og den lave pris passer til brug i store mængder. Den er ikke førende, når det gælder nuanceret tone.
Små, billige modeller håndterer klassificering med etiketter godt ved store mængder. Præcisionen er ikke testet i benchmarks, så du bør selv validere den på dine egne etiketter.
En europæisk modelskaber uden eksponering for CLOUD Act passer til privatlivsfølsom forbehandling, og den kompakte størrelse gør fjernelse af personhenførbare oplysninger (PII) i store mængder billig. Evnen til at finde alle PII er ikke testet i benchmarks, så test den, før du stoler på den til compliance.
Kontekstvinduet på 262.144 tokens er usædvanligt stort for denne parameterstørrelse, hvilket gør det muligt at opsummere lange dokumenter i én arbejdsgang. Kvaliteten af opsummeringerne er ikke testet i benchmarks.
Værktøjskald og et langt kontekstvindue hjælper, men der findes ingen benchmarks for kodning (f.eks. SWE-Bench), og modellen ligger i en klasse med få parametre. Større modeller er bedre til autonom kodning i flere filer.
Der er ikke angivet nogen billedforståelse, og der findes ingen beviser fra agentiske benchmarks. Browserautomatisering kræver pålidelig brug af værktøjer i flere trin og visuel forankring på skærmen, hvilket denne model ikke dokumenterer.
Der er ikke dokumenteret nogen billedforståelse, så modellen kan ikke læse scannede dokumenter eller billeder.
Forklaring af diagrammer kræver billeder som inddata, hvilket denne model ikke har på listen over egenskaber.
Der er ikke dokumenteret nogen billedforståelse, så screenshots kan ikke behandles.
Kompakte modeller halter generelt efter større modeller, når det gælder kreativ dybde og kontrol over stilen, og der er intet i kataloget, der tyder på andet.
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-8b-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