MiniStral 3 (14B Instruct 2512)
MiniStral 3 (14B Instruct 2512) est un LLM multimodal de Mistral AI, publié le 4 décembre 2025 sous licence Apache 2.0. Ses poids ouverts autorisent l’usage commercial. Cette version post-entraînée pour les instructions associe un modèle de langage de 13,5 milliards de paramètres à un…
MiniStral 3 (14B Instruct 2512) est un LLM multimodal de Mistral AI, publié le 4 décembre 2025 sous licence Apache 2.0. Ses poids ouverts autorisent l’usage commercial. Cette version post-entraînée pour les instructions associe un modèle de langage de 13,5 milliards de paramètres à un encodeur visuel de 0,4 milliard.
Le modèle se distingue par une fenêtre de contexte de 262 144 tokens, la prise en charge du texte et de la vision, ainsi que par son orientation locale. Il peut tenir dans 24 GB de VRAM en FP8. Son tarif très économique se situe 90% sous la moyenne des LLM similaires.
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 | 262 144 tokens |
| Modalités (entrée → sortie) | text,image → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MATH | 90,4 % | 3ᵉ / 70 | llm-stats | Auto-déclaré |
| Wild Bench | 68,5 % | 1ᵉ / 8 | llm-stats | Auto-déclaré |
| Arena Hard | 55,1 % | 16ᵉ / 26 | llm-stats | Auto-déclaré |
| MM-MT-Bench | 8,5 % | 7ᵉ / 17 | 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.
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Mistral | 0,2 $ | 0,2 $ | 0,02 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 90 % en dessous de la moyenne des LLM similaires, et 27,5 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Notre analyse
Forces. À sa sortie, MiniStral 3 (14B Instruct 2512) figurait dans le top 5% des 57 LLM de sa génération sur MATH, ce qui le plaçait parmi les modèles les plus solides de son époque en raisonnement mathématique. Sa longue fenêtre de contexte facilite le traitement de volumes importants de texte. Le modèle accepte aussi les images, les invites système et l’appel natif de fonctions, avec une sortie JSON adaptée aux traitements structurés. Son support couvre des dizaines de langues, notamment le français, l’anglais, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Sa licence Apache 2.0, sa compatibilité avec vLLM et transformers et son prix environ 27,5 fois inférieur à celui des modèles frontière renforcent sa souplesse de déploiement.
Limites et points d'attention. Le fonctionnement local en FP8 peut mobiliser 24 GB de VRAM, un niveau matériel conséquent malgré le positionnement edge/local. Le classement de premier plan porte spécifiquement sur MATH et caractérise donc avant tout ses capacités mathématiques. MiniStral 3 cible surtout les déploiements locaux multimodaux, les applications multilingues, les sorties structurées et les usages sensibles aux coûts.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai).