Ministral 3 (8B Instruct 2512)
Ministral 3 (8B Instruct 2512) est un modèle open weights de Mistral AI, publié le 4 décembre 2025 sous licence Apache 2.0. Son positionnement associe exécution locale ou edge, usage commercial autorisé et tarification très économique.
Ministral 3 (8B Instruct 2512) est un modèle open weights de Mistral AI, publié le 4 décembre 2025 sous licence Apache 2.0. Son positionnement associe exécution locale ou edge, usage commercial autorisé et tarification très économique.
Cette version post-entraînée pour les instructions en FP8 combine un modèle de langage de 8,4 milliards de paramètres et un encodeur visuel de 0,4 milliard. Elle traite le texte et les images, prend en charge les prompts système, l’appel natif de fonctions et les sorties JSON, avec un contexte de 262 144 tokens.
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 | 8 milliards |
| Fenêtre de contexte | 262 144 tokens |
| Modalités (entrée → sortie) | text,image → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MATH | 87,6 % | 8ᵉ / 70 | llm-stats | Auto-déclaré |
| Wild Bench | 66,8 % | 3ᵉ / 8 | llm-stats | Auto-déclaré |
| Arena Hard | 50,9 % | 19ᵉ / 26 | llm-stats | Auto-déclaré |
| MM-MT-Bench | 8,1 % | 10ᵉ / 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 | 0,15 $ | 0,15 $ | 0,015 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 93 % en dessous de la moyenne des LLM similaires, et 36,7 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 (8B Instruct 2512) figurait dans le top 14% des 57 LLM de sa génération sur MATH, ce qui le plaçait dans le haut du panier pour le raisonnement mathématique. Son intérêt tient aussi à sa polyvalence concrète : analyse d’images, suivi d’instructions, appels de fonctions et génération structurée en JSON. Le modèle 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. Il fonctionne avec vLLM et transformers, et peut tenir dans 12 GB de VRAM en FP8. Son tarif est inférieur de 92% à la moyenne des LLM similaires et environ 36,7 fois plus bas que celui des modèles frontière.
Limites et points d’attention. Malgré son bon classement sur MATH, le modèle n’occupait pas la toute première place de sa génération. Son empreinte de 12 GB de VRAM concerne spécifiquement le format FP8, un paramètre technique important pour dimensionner un déploiement local. La couverture repose sur deux sources de données concordantes. Ministral 3 (8B Instruct 2512) vise surtout les applications multilingues, multimodales et structurées exécutées localement ou en périphérie, avec un coût d’inférence réduit.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai).