Ministral 3 (3B Instruct 2512)
Ministral 3 (3B Instruct 2512) est un LLM multimodal compact de Mistral AI, sorti le 4 décembre 2025. Cette version post-entraînée pour les instructions combine un modèle de langage de 3,4 milliards de paramètres et un encodeur vision de 0,4 milliard, avec une fenêtre de contexte de 131…
Ministral 3 (3B Instruct 2512) est un LLM multimodal compact de Mistral AI, sorti le 4 décembre 2025. Cette version post-entraînée pour les instructions combine un modèle de langage de 3,4 milliards de paramètres et un encodeur vision de 0,4 milliard, avec une fenêtre de contexte de 131 072 tokens.
Son positionnement repose sur l’exécution locale ou en périphérie, avec un fonctionnement annoncé dans 8 Go de VRAM en FP8. Il traite le texte et les images, respecte les prompts système, produit du JSON et prend en charge l’appel natif de fonctions. Sa licence Apache 2.0 autorise 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 | 3 milliards |
| Fenêtre de contexte | 131 072 tokens |
| Modalités (entrée → sortie) | text,image → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MATH | 83,0 % | 17ᵉ / 70 | llm-stats | Auto-déclaré |
| Wild Bench | 56,8 % | 5ᵉ / 8 | llm-stats | Auto-déclaré |
| Arena Hard | 30,5 % | 25ᵉ / 26 | llm-stats | Auto-déclaré |
| MM-MT-Bench | 7,8 % | 13ᵉ / 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 | 0,1 $ | 0,1 $ | 0,01 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 95 % en dessous de la moyenne des LLM similaires, et 55 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 (3B Instruct 2512) se classait dans le top 26% des LLM de sa génération sur MATH, un résultat solide pour un modèle compact. Son intérêt principal tient à l’association du texte et de la vision, à l’analyse d’images, aux sorties structurées en JSON et à l’appel natif de fonctions. Sa couverture multilingue inclut notamment le français, l’anglais, 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 complète son orientation vers le déploiement local. Son tarif est très économique, inférieur de 95% à la moyenne des LLM similaires et environ 55 fois plus bas que celui des modèles frontière.
Limites et points d’attention. Son classement sur MATH le place dans le haut du classement, mais pas parmi les tout premiers modèles de sa génération. Son format compact privilégie surtout le coût, l’encombrement mémoire et la polyvalence fonctionnelle. La fenêtre de contexte référencée atteint 131 072 tokens, malgré une prise en charge technique annoncée jusqu’à 256k. Ministral 3 (3B Instruct 2512) vise ainsi les assistants multilingues, l’analyse locale d’images, les sorties JSON et les applications avec appels de fonctions soumises à des contraintes de coût ou de VRAM.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai).