Laster katalogen …
Laster katalogen …
Mistral AIs Apache-2.0-lisensierte Ministral 3 3B Instruct-modell: tekst og bilder som inndata, tekst som utdata, 256k kontekst – bygget for raske, enkle oppgaver.
Oversikt. ministral-3b-2512 er Mistral AIs Ministral 3 3B Instruct-modellversjon fra desemberutgivelsen 2025: en tett språkmodell med 3,4 milliarder parametere kombinert med en Pixtral-type visuell koder på 0,4 milliarder parametere, til sammen 3,85 milliarder parametere. Den tar imot tekst og bilder og returnerer tekst, med et kontekstvindu på 262 144 token, innebygd funksjonskall og åpne vekter under Apache-2.0. Utviklere bruker den når en liten multimodal instruksjonsmodell er tilstrekkelig og lokal eller kundedrevet drift av vektene er viktig.
Viktigste styrker. Det nyttige signalet her er arkitektonisk snarere enn leaderboard-basert: det er ikke publisert MMLU-, Arena- eller HumanEval-tall for denne modellversjonen i kildene som er brukt for denne siden. Det som er bekreftet, er et langt kontekstvindu på 256k i en tett modell av 3B-klassen, innebygd bildeforståelse via Pixtral-type-koderen, innebygd funksjonskall og en instruksjonstrening som aksepterer en systeminstruks. Åpne vekter under Apache-2.0 gjør den samme modellversjonen tilgjengelig for selvhosting så vel som for hostet inferens.
Når du bør bruke den. Bruk den til enkle oppgaver der svartid er viktig – klassifisering, korte utkast, bildeteksting og lette verktøykall – når en sanntids 3B-modell passer godt og resonnering i flere steg ikke er nødvendig. Velg en større Ministral-søskenmodell eller en dedikert resonneringsmodellversjon når nøyaktighet på krevende oppgaver veier tyngre enn størrelse.
Begrensninger. Dette er en instruksjonsmodellversjon, ikke en resonneringsmodell: den produserer ikke utvidede resonneringsspor, og Mistral AI leverer resonnering i tankekjede i en separat Ministral 3 3B Reasoning-utgivelse. Leverandørens oppgitte treningsdataskjæring er 1. oktober 2023. Det er ikke dokumentert lydinndata eller -utdata, og det finnes ikke innebygd nettsøk. JSON-skjema-begrenset dekoding er ikke dokumentert for denne modellversjonen, mens den medfølgende chat-malen gjengir flere verktøykall i én runde.
Suverenitetsnotat. Mistral AI er et fransk selskap med hovedkontor i Paris og er ikke et datterselskap av et amerikansk morselskap, selv om en amerikansk tilknyttet enhet gjør at CLOUD Act-eksponering ikke kan utelukkes kategorisk. Denne utgivelsen har åpne vekter under Apache-2.0, slik at selskaper kan kjøre den i sitt eget miljø. På Stav betjenes den gjennom Mistral-endepunktet; bekreft endepunktets datalokasjon og betjeningsnivå for regulerte arbeidsbelastninger. Leverandørens systeminstruks angir ingen policy for trening på inndata ved hostede kall.
| Inferensleverandør | Suverenitet | Kjører i | Inn / ut per 1M | Status | Lås |
|---|---|---|---|---|---|
| L1 | 0,10 / 0,10€ | Tilkoblet |
18 bruksområder klassifisert av kuratoren. Notatet forklarer hvorfor.
Eksplisitt støtte for verktøykall i en kompakt 3B-klasse Ministral-variant gjør den til et kompetent lavkostnadsalternativ for enkle funksjonskallapps der suverenitet og svartid betyr mer enn dyp resonnering.
Tilstrekkelig for korte profesjonelle utkast og svarforslag til lav inferenskostnad; kreativ finpuss og lange e-poster med flere seksjoner vil være svakere enn større Mistral-nivåer.
Kompakte instruksjonstilpassede modeller håndterer vanligvis etikettering godt; Ministral-3B er et rimelig billig klassifiseringsvalg når instruksskjemaene er korte og klassene er veldefinerte.
En kostnads- og suverenitetsorientert 3B-chatmodell med 131k kontekstvindu er tilstrekkelig for FAQ-baserte støtteroboter når nøyaktigheten er validert i domenet; ikke en klassevinner på krevende flerrundes resonnering.
Samme profil som klassifisering: lavt parametertall og verktøykall er godt egnet for raske fleretikett-behandlingskjeder under kostnads- eller datalokasjonsbegrensninger.
Omskriving og utvidelse av korte tekster passer for en liten og rask modell; egner seg som billig RAG-forprosessor snarere enn en tung resonneringsmodell.
Ingen kodebenchmarker og lavt parametertall gjør denne til et dårlig førstevalg for agentisk koding på repositorynivå, til tross for grunnleggende verktøykall.
Syn/OCR er ikke blant egenskapene; kun tekstmodell.
Verktøykall finnes, men en 3B-modell uten publiserte planleggings- eller agentbenchmarker er et svakt standardvalg for pålitelige planer med mange steg sammenlignet med større resonneringsmodeller.
Ingen bildebehandlingsegenskap er oppgitt; kan ikke utføre bilde-spørsmål-og-svar.
Ingen lyd- eller taleegenskaper; uegnet for transkripsjon.
Innhentede tall, ikke våre egne evalueringer. Persentilene er mot hele Stav-katalogen.
Beregnet 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 – nivået forespørselen ble betjent på