Indlæser kataloget…
Indlæser kataloget…
Multimodal instruct-model med 24 milliarder parametre og åbne vægte fra Mistral AI (under udfasning). Har 131k kontekst, verktøjskald og stærk billedforståelse af dokumenter — brug Small 4 til nyt arbejde.
Oversigt. Mistral-Small-3.2-24B-Instruct-2506 er en tæt model med 24 milliarder parametre og åbne vægte fra det franske Mistral AI. Den blev udgivet i juni 2025 som en mindre opdatering af Mistral Small 3.1. Modellen tager imod tekst og billeder som inddata og returnerer tekst. Den er udgivet under Apache-2.0-licensen og har forbedret instruktionsfølgning og indbyggede verktøjskald sammenlignet med den forrige modelversion. Mistral har nu påbegyndt udfasning af denne version og henviser nye integrationer til Mistral Small 4, men vægtene er fortsat offentligt tilgængelige, hvis du vil køre selv eller bruge tredjeparts-inferens.
Vigtigste styrker. I offentliggjorte benchmarks opnår modellen MMLU 80,50 %, MMLU-Pro 69,06 %, MATH 69,42 %, GPQA Diamond omkring 46–50,5 % og HumanEval Plus pass@5 92,90 %, mens Wildbench v2 ligger på 65,33 %. Resultaterne for billedforståelse er stærke for en modelversion i mellemklassen: DocVQA 94,86 %, ChartQA 87,4 % og MMMU 62,5 %. Den understøtter indbyggede verktøjskald (herunder parallelle kald), struktureret uddata og JSON-tilstand, har et kontekstvindue på 131k og dækker mere end tyve sprog.
Anvendelsesområder. Brug denne model til interaktiv chat i mellemklassen, kodningsassistance, læsning af dokumenter og diagrammer samt agenter med verktøjskald, hvor kompleksiteten er moderat, og du har brug for både tekst og billeder som inddata i samme arbejdsgang. Den interaktive svartid (omkring 38 tokens/s i median og under ét sekund til første token i testkørsler) passer godt til produkter med mange runder. Den er stærkest til generelle opgaver, kommunikation, skrivning og kodning, men er et mindre oplagt valg til vedvarende agentiske loops.
Begrænsninger. Mistral har påbegyndt udfasning af modellen til fordel for Mistral Small 4, så den bør ikke være standardvalget til nye, langsigtede integrationer. Hvor træningsdataene slutter er 2023-10-01, den har ingen tilstand for udvidet tænkning eller ræsonnering, og resultaterne i agentiske benchmarks er lave. Uddata er kun tekst; lyd som inddata, indbygget websøgning, kodeeksekvering og filsøgning er ikke indbygget.
Bemærkning om suverænitet. Bygget af Mistral AI i Frankrig uden at være underlagt CLOUD Act, udgivet med åbne vægte under Apache-2.0 og tilgængelig hos leverandører med dataplacering i EU samt til at køre selv. Den kombination kvalificerer som suveræn til opgaver, hvor inferens holdes inden for EU-ejet infrastruktur.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L3 | 0,15 / 0,35€ | Online | |||
| L1 | 0,09 / 0,28€ | Online | |||
| L1 | 0,30 / 0,30€ | Online | |||
| L0 | 0,07 / 0,18€ | Online |
16 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Bekræftede egenskaber for værktøjskald gør denne variant til en velegnet backend for strukturerede apps med funktionskald til en lavere pris end Mistrals større klasser.
Billedforståelse kombineret med et stort kontekstvindue på 131k gør det muligt at indlæse scannede dokumenter på flere sider til OCR-lignende udtræk.
Understøttelse af billedforståelse dækker tolkning af screenshots og brugerflader på et kompetent mellemniveau.
Denne 24 milliarder-instruct-model er en omkostningseffektiv løsning, der håndterer standardopgaver inden for klassificering kompetent.
Mistral-modeller er trænet med stærk dækning af europæiske sprog, hvilket gør dem til en fornuftig løsning til oversættelse mellem EU-sprogpar.
Et kontekstvindue på 131k plus værktøjskald understøtter agentiske arbejdsflyt med mange trin, selvom modelfamiliens beskedne kvalitetsindeks på 19,7 betyder, at man bør afstemme forventningerne i forhold til frontmodeller til ræsonnering.
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/mistral-small-3-2-24b-instruct-2506",
"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