Ministral 3 (14B Base 2512)
Publié par Mistral AI le 4 décembre 2025, Ministral 3 (14B Base 2512) est un modèle multimodal de 14 milliards de paramètres conçu comme une base de pré-entraînement. Il associe un modèle de langage de 13,5 milliards de paramètres à un encodeur vision de 0,4 milliard, afin de traiter du…
Publié par Mistral AI le 4 décembre 2025, Ministral 3 (14B Base 2512) est un modèle multimodal de 14 milliards de paramètres conçu comme une base de pré-entraînement. Il associe un modèle de langage de 13,5 milliards de paramètres à un encodeur vision de 0,4 milliard, afin de traiter du texte et d’analyser des images.
Son positionnement repose sur le post-entraînement personnalisé plutôt que sur un usage immédiat comme assistant. Multilingue, il couvre des dizaines de langues, prend en charge un contexte de 256k et fonctionne avec vLLM ou Transformers. Ses poids ouverts sous licence Apache 2.0 autorisent les usages commerciaux.
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 |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MMLU-Redux | 82,0 % | 36ᵉ / 48 | llm-stats | Auto-déclaré |
| MMLU | 79,4 % | 63ᵉ / 98 | llm-stats | Auto-déclaré |
| TriviaQA | 74,9 % | 9ᵉ / 18 | llm-stats | Auto-déclaré |
| Multilingual MMLU | 74,2 % | 2ᵉ / 5 | llm-stats | Auto-déclaré |
| MATH (CoT) | 67,6 % | 2ᵉ / 6 | llm-stats | Auto-déclaré |
| AGIEval | 64,8 % | 2ᵉ / 10 | 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. Ministral 3 (14B Base 2512) réunit traitement du texte et analyse d’images dans une architecture relativement compacte de 14 milliards de paramètres. Sa fenêtre de contexte de 256k convient au traitement de contenus volumineux. Sa couverture comprend notamment l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. La compatibilité avec vLLM et Transformers fournit deux options d’exécution et d’intégration. La licence Apache 2.0, associée à des poids ouverts et à l’autorisation des usages commerciaux, facilite également les projets de post-entraînement personnalisés.
Limites et points d’attention. Il s’agit d’une version de base pré-entraînée, sans affinage pour les instructions ni pour le raisonnement. Son emploi comme assistant nécessite donc un post-entraînement adapté au comportement recherché. À sa sortie, il se situait seulement dans le top 63% des 82 LLM de sa génération sur MMLU, un positionnement qui ne le plaçait pas dans le haut du classement. Ministral 3 (14B Base 2512) cible ainsi surtout les équipes souhaitant construire une variante multimodale et multilingue personnalisée, plutôt qu’un modèle conversationnel directement finalisé.
Sources des données : LLM-Stats (llm-stats.com).