Laster katalogen …
Laster katalogen …
Mistral AIs tette 8B Instruct-modell med tekst og bilder som inndata, et kontekstvindu på 262 144 token og åpne Apache-2.0-vekter.
Oversikt. Ministral 3 8B Instruct 2512 er en tett, instruksjonstilpasset modell fra Mistral AI, utgitt i desember 2025 som del av Ministral 3-modellfamilien. Den tar imot tekst og bilder som inndata, returnerer tekst og har et kontekstvindu på 262 144 token. Utviklere kan bruke den når de trenger en kompakt multimodal modell med åpent publiserte vekter.
Viktigste styrker. Modellen kombinerer en språkmodell på omtrent 8,4 milliarder parametere med en visuell koder på 0,4 milliarder parametere, slik at bildeanalyse er innebygd og ikke krever en separat behandlingskjede. Kontekstvinduet på 262 144 token er stort for en modell av denne størrelsen. Apache-2.0-vektene er offentlig tilgjengelige og uten tilgangsbegrensninger. Stav-katalogen har ingen benchmarkresultater for denne modellversjonen, og vi fremsetter derfor ingen benchmarkpåstander her.
Når du bør bruke den. Bruk den til chat og assistentoppgaver som kombinerer tekst og bilder, for eksempel å beskrive skjermbilder eller hente ut detaljer fra fotografier. Den passer også til instrukser med lang kontekst der en større modell er mer enn oppgaven krever. Smart Router kan behandle den som egnet for enkle til middels krevende oppgaver. Velg den når du vil ha permissivt lisensierte vekter du kan laste ned og kjøre selv.
Begrensninger. Utdata er kun tekst, og det er ingen lydinndata eller -utdata. Mistral publiserer et eget resonneringsmodellversjon, så denne Instruct-modellen er ikke den varianten, og resultater fra Base og Reasoning skal ikke leses som resultater fra denne modellen. Leverandørens innebygde systeminstruks oppgir oktober 2023 som kunnskapsoppdateringsdato, så nyere hendelser kan mangle.
Suverenitetsnotat. Mistral AI er modellskaper, og vektene er utgitt under Apache-2.0, slik at du kan kjøre inferens på infrastruktur du selv kontrollerer. Denne modellens policy for trening på inndata og endepunktets datalokasjon er ikke bekreftet, så sjekk endepunktet du velger.
| Inferensleverandør | Suverenitet | Kjører i | Inn / ut per 1M | Status | Lås |
|---|---|---|---|---|---|
| L1 | 0,15 / 0,15€ | Tilkoblet |
29 bruksområder klassifisert av kuratoren. Notatet forklarer hvorfor.
Omskriving av spørringer er en kort oppgave med krav til kort svartid, der en liten og rimelig modell er det ideelle valget. Støtte for verktøykall gir mulighet for strukturerte omskrivingsresultater.
Ruting og intensitetstriage er korte oppgaver med lav kompleksitet, der en billig og rask liten modell passer godt. Verktøykall støtter strukturert rutingsutdata, og suverenitet er et pluss for avdelinger i EU.
Dokumentert støtte for verktøykall kombinert med et kontekstvindu på 262 144 token dekker typiske arbeidsflyter for funksjonskall til lav kostnad. Det finnes ingen benchmarkdata i katalogen, så valider kallnøyaktigheten før produksjonssetting.
Skriving av korte utkast er innenfor rekkevidde for en kompakt modell, og den lave kostnaden passer for høyt volum. Ikke et førstevalg for nyansert tone.
Små, rimelige modeller håndterer etikettstil-klassifisering godt i høyt volum. Nøyaktigheten er ikke benchmarket, så valider på dine egne etiketter.
En rimelig liten modell fra en fransk modellskaper uten CLOUD Act-eksponering, noe som passer for kundestøtte i EU. Verktøykall gir mulighet for oppslag i saksbehandlings- og CRM-systemer, men nøyaktigheten er ikke benchmarket.
Lett merking er en kostnadsdriven oppgave som passer for en kompakt modell. Kontekstvinduet på 262 144 token gjør det mulig å samle mange elementer per forespørsel.
Kontekstvinduet på 262 144 token er uvanlig stort for denne parameterskalaen og gjør det mulig å oppsummere lange dokumenter i én enkelt gjennomgang. Sammendragskvaliteten er ikke benchmarket.
Verktøykall og en lang kontekst er nyttig, men det finnes ingen kodebencher (f.eks. SWE-Bench), og modellen befinner seg i et lavparameternivå. Større modeller er bedre for autonom koding på tvers av flere filer.
Ingen bildebehandlingsegenskaper er dokumentert, så modellen kan ikke lese skannede dokumenter eller bilder.
Å forklare diagrammer krever bilder som inndata, noe denne modellen ikke støtter.
Ingen bildebehandlingsegenskaper er dokumentert, så skjermbilder kan ikke behandles.
Kompakte modeller henger generelt etter større modeller i kreativ dybde og stilkontroll, og det er ingenting i katalogen som tyder på noe annet.
Lavparameternivå uten skrivebencher. Større modeller produserer mer sammenhengende og nyansert langformstekst.
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-8b-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