Ministral 3 (14B Reasoning 2512)
Ministral 3 (14B Reasoning 2512) est un modèle open-weights de Mistral AI, publié le 4 décembre 2025 sous licence Apache 2.0, avec usage commercial autorisé. Cette version post-entraînée pour le raisonnement cible notamment les mathématiques, le code et les disciplines STEM.
Ministral 3 (14B Reasoning 2512) est un modèle open-weights de Mistral AI, publié le 4 décembre 2025 sous licence Apache 2.0, avec usage commercial autorisé. Cette version post-entraînée pour le raisonnement cible notamment les mathématiques, le code et les disciplines STEM.
Ses 14 milliards de paramètres associent un modèle de langage de 13,5 milliards de paramètres à un encodeur vision de 0,4 milliard. Le modèle analyse des images, gère les prompts système, l’appel natif de fonctions et les sorties JSON. Sa fenêtre de contexte atteint 262 100 tokens, tandis que sa prise en charge multilingue couvre des dizaines de langues.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Mistral AI |
| Poids | 🟢 Poids ouverts · usage commercial autorisé |
| Licence | Apache 2.0 |
| Date de sortie | 4 décembre 2025 |
| Multimodal | oui |
| Paramètres | 14 milliards |
| Fenêtre de contexte | 262 100 tokens |
| Modalités (entrée → sortie) | text,image → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| AIME 2024 | 89,8 % | 9ᵉ / 52 | llm-stats | Auto-déclaré |
| AIME 2025 | 85,0 % | 56ᵉ / 108 | llm-stats | Auto-déclaré |
| GPQA | 71,2 % | 112ᵉ / 219 | llm-stats | Auto-déclaré |
| LiveCodeBench | 64,6 % | 27ᵉ / 72 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Notre analyse
Forces. À sa sortie, Ministral 3 (14B Reasoning 2512) se situait dans le top 41% des 147 LLM de sa génération sur GPQA, soit une position supérieure à la médiane sans appartenir au groupe de tête le plus restreint. Son architecture combine raisonnement textuel et analyse d’images dans un format de 14 milliards de paramètres. La grande fenêtre de contexte, l’appel natif de fonctions et la production structurée en JSON élargissent les usages possibles, notamment pour les tâches longues, les outils logiciels et les traitements automatisés. La licence Apache 2.0 autorise l’exploitation commerciale, avec un déploiement local ou en périphérie via vLLM et transformers. Le support inclut notamment le français, l’anglais, l’espagnol, l’allemand, le chinois, le japonais, le coréen et l’arabe.
Limites et points d'attention. Le classement sur GPQA indique un niveau compétitif à l’échelle de sa génération, mais pas une position parmi les modèles les plus performants de l’époque. Son positionnement reste spécialisé dans le raisonnement, particulièrement les mathématiques, le code et les STEM. L’évaluation disponible repose sur une seule source de données concordante, ce qui limite la diversité des points de comparaison. Le modèle convient surtout aux projets recherchant raisonnement, vision, multilinguisme, déploiement local et licence commerciale ouverte.
Sources des données : LLM-Stats (llm-stats.com).