Mistral Large 3 (675B Instruct 2512 Eagle)
Publié par Mistral AI le 4 décembre 2025, Mistral Large 3 (675B Instruct 2512 Eagle) est le spéculateur Eagle associé à Mistral Large 3 Instruct. Il vise à accélérer la génération selon la tâche, autour d’un système multimodal Mixture-of-Experts combinant un modèle de langage de 673…
Publié par Mistral AI le 4 décembre 2025, Mistral Large 3 (675B Instruct 2512 Eagle) est le spéculateur Eagle associé à Mistral Large 3 Instruct. Il vise à accélérer la génération selon la tâche, autour d’un système multimodal Mixture-of-Experts combinant un modèle de langage de 673 milliards de paramètres, dont 39 milliards actifs, et un encodeur visuel de 2,5 milliards.
Cette version FP8 cible les instructions, le dialogue et les usages agentiques. Elle prend en charge l’appel de fonctions natif, les sorties JSON, la vision, un contexte de 256k et des dizaines de langues. 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 | 675 milliards |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MMMLU | 85,5 % | 28ᵉ / 49 | llm-stats | Auto-déclaré |
| AMC_2022_23 | 52,0 % | 1ᵉ / 6 | llm-stats | Auto-déclaré |
| GPQA | 43,9 % | 178ᵉ / 219 | llm-stats | Auto-déclaré |
| LiveCodeBench | 34,4 % | 53ᵉ / 72 | llm-stats | Auto-déclaré |
| SimpleQA | 23,8 % | 30ᵉ / 45 | 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. Le principal intérêt du modèle réside dans son rôle de spéculateur, conçu pour accélérer les générations de Mistral Large 3 Instruct selon la tâche. L’architecture MoE granulaire n’active que 39 milliards de paramètres sur les 673 milliards du modèle de langage. La combinaison de la vision, d’un contexte de 256k, de l’appel de fonctions et des sorties JSON couvre les scénarios multimodaux, conversationnels et agentiques. La prise en charge de dizaines de langues inclut notamment le français, l’anglais, l’espagnol, l’allemand, le chinois, le japonais, le coréen et l’arabe.
Limites et points d’attention. À sa sortie, le modèle se situait dans le top 78% des 147 LLM de sa génération sur GPQA, un résultat qui ne le place pas dans le groupe de tête sur ce benchmark de raisonnement scientifique. Cette appréciation repose sur une seule source de données concordante. Son format FP8 et son architecture de 675 milliards de paramètres constituent aussi un profil technique particulièrement volumineux, même si le fonctionnement MoE limite la partie active du modèle de langage à 39 milliards de paramètres. Il s’adresse surtout aux déploiements de Mistral Large 3 Instruct recherchant une génération accélérée, multimodale, multilingue ou structurée.
Sources des données : LLM-Stats (llm-stats.com).