Ministral 3 (8B Reasoning 2512)
Ministral 3 (8B Reasoning 2512) est un LLM multimodal de Mistral AI, post-entraîné pour le raisonnement et publié le 4 décembre 2025. Son architecture associe un modèle de langage de 8,4 milliards de paramètres à un encodeur vision de 0,4 milliard, avec une fenêtre de contexte de 262 100…
Ministral 3 (8B Reasoning 2512) est un LLM multimodal de Mistral AI, post-entraîné pour le raisonnement et publié le 4 décembre 2025. Son architecture associe un modèle de langage de 8,4 milliards de paramètres à un encodeur vision de 0,4 milliard, avec une fenêtre de contexte de 262 100 tokens.
Le modèle traite le texte et les images, accepte les invites système et prend en charge l’appel natif de fonctions ainsi que les sorties JSON. Distribué sous licence Apache 2.0 avec usage commercial autorisé, il vise notamment les déploiements locaux et edge, avec une compatibilité annoncée pour vLLM et transformers.
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 | 262 100 tokens |
| Modalités (entrée → sortie) | text,image → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| AIME 2024 | 86,0 % | 15ᵉ / 52 | llm-stats | Auto-déclaré |
| AIME 2025 | 78,7 % | 67ᵉ / 108 | llm-stats | Auto-déclaré |
| GPQA | 66,8 % | 127ᵉ / 219 | llm-stats | Auto-déclaré |
| LiveCodeBench | 61,6 % | 32ᵉ / 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 (8B Reasoning 2512) se classait dans la moitié supérieure des 147 LLM de sa génération sur GPQA, un benchmark consacré aux questions scientifiques complexes. Son intérêt tient aussi à la combinaison du raisonnement, de la vision, des appels de fonctions et des sorties JSON dans un modèle déployable localement. Il couvre notamment l’anglais, le français, l’espagnol, l’allemand, l’italien, le portugais, le néerlandais, le chinois, le japonais, le coréen et l’arabe. Ses usages incluent les mathématiques, le code, les domaines STEM, la traduction, la génération de contenu et la compréhension d’images ou de documents. Il peut fonctionner dans 24 GB de VRAM en BF16, ou sous 12 GB de RAM ou VRAM après quantification.
Limites et points d’attention. Son classement sur GPQA le situe dans le haut de la moitié médiane de sa génération, et non parmi les modèles les plus performants de son époque. Le déploiement en BF16 demande par ailleurs une capacité mémoire substantielle, tandis que l’empreinte inférieure à 12 GB repose sur une version quantifiée. Ministral 3 (8B Reasoning 2512) convient ainsi aux applications multilingues, multimodales ou structurées qui privilégient l’exécution locale et une licence commerciale ouverte.
Sources des données : LLM-Stats (llm-stats.com).