Mistral Medium 3.5

Publié par Mistral AI le 29 avril 2026, Mistral Medium 3.5 est un LLM dense de 128 milliards de paramètres, positionné comme une option économique. Sa fenêtre de contexte de 262 144 tokens vise le traitement de longs contenus, tandis que son tarif se situe 25% sous la moyenne des modèles similaires.

Le modèle accepte du texte et des images, puis produit du texte. Il réunit suivi d’instructions, raisonnement et codage dans un même jeu de poids, avec effort de raisonnement configurable, appels de fonctions et sortie JSON. Son fonctionnement multilingue couvre notamment le français, l’anglais, plusieurs langues européennes, le chinois, le japonais, le coréen et l’arabe.

Caractéristiques

Indices de synthèse

Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.

Performances (benchmarks)

« 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.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.

Classements Arena (Elo)

Arena Text · 200 modèles classés

Arena Code · 99 modèles classés

Arena Vision · 135 modèles classés

Tarifs

Prix en dollars US par million de tokens.

Sa tarification se situe 28 % en dessous de la moyenne des LLM similaires, et 3,7 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).

Coût & vitesse agentiques

Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.

Notre analyse

Forces. Mistral Medium 3.5 obtient un résultat parfait et la première place au benchmark Hallucinations (Baseline). Ses scores Baseline sont également élevés en General Knowledge, Ethics, Email Classification, Mathematics et Coding. À sa sortie, il appartenait au top 22% des LLM de sa génération sur SWE-Bench Verified, ce qui le situait favorablement pour les tâches de développement logiciel. La longue fenêtre de contexte, les entrées visuelles à tailles et ratios variables, les appels de fonctions et la sortie JSON renforcent son intérêt pour l’analyse de documents et les workflows structurés. Son prix est environ 3,7 fois inférieur à celui des modèles frontière.

Limites et points d'attention. Les classements globaux restent plus mesurés que les scores Baseline. L’Intelligence Index et le Code Index placent le modèle autour du milieu de leurs classements, tandis que l’Agentic Index se situe dans la moitié basse. Les résultats Arena confirment cet écart face aux meilleurs modèles évalués, particulièrement en code, où Mistral Medium 3.5 figure près du bas du classement. Les performances textuelles et visuelles restent également éloignées des modèles en tête. Enfin, la Modified MIT License ne s’accompagne pas d’une ouverture des poids. Le modèle cible ainsi surtout les usages multilingues, documentaires et structurés qui privilégient un contexte étendu et un coût contenu.

Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · Benchable.ai (benchable.ai).