Mistral: Voxtral Small 24B 2507
Mistral: Voxtral Small 24B 2507 est un LLM à poids ouverts publié par Mistral AI le 30 octobre 2025. Cette évolution de Mistral Small 3 ajoute l’entrée audio aux capacités de compréhension textuelle, avec une fenêtre de contexte de 32 000 tokens.
Mistral: Voxtral Small 24B 2507 est un LLM à poids ouverts publié par Mistral AI le 30 octobre 2025. Cette évolution de Mistral Small 3 ajoute l’entrée audio aux capacités de compréhension textuelle, avec une fenêtre de contexte de 32 000 tokens.
Le modèle traite la transcription, la traduction, les questions-réponses, la compréhension et le résumé de contenus audio. Il couvre huit langues, détecte automatiquement la langue source et accepte plusieurs audios au fil d’une conversation. Compatible avec vLLM et Transformers, il se distingue aussi par un tarif très économique, inférieur de 95% à la moyenne des LLM similaires.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Mistral AI |
| Poids | 🟢 Poids ouverts |
| Date de sortie | 30 octobre 2025 |
| Multimodal | oui |
| Fenêtre de contexte | 32 000 tokens |
| Modalités (entrée → sortie) | text,audio,file → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 98,5 % | 84ᵉ / 161 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 98,0 % | 105ᵉ / 159 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 97,0 % | 100ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 80,0 % | 113ᵉ / 162 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 72,0 % | 116ᵉ / 146 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 64,0 % | 98ᵉ / 155 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 51,0 % | 108ᵉ / 163 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Benchable : General Knowledge (Baseline)
Benchable : Ethics (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Mistral | 0,1 $ | 0,3 $ | 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).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0 $ |
| Latence moyenne par benchmark — Benchable | 1 min 51 s |
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. Voxtral Small 24B 2507 réunit traitement du texte et de l’audio dans un modèle à poids ouverts. Son mode dédié à la transcription, la détection automatique de la langue, les échanges audio sur plusieurs tours et le function calling couvrent des usages concrets. Les scores de General Knowledge, Ethics et Email Classification sont proches du plafond de ces tests, même si les nombreux ex æquo limitent leur portée comparative. Le coût constitue un autre atout majeur : le modèle revient environ 55 fois moins cher que les modèles frontière.
Limites et points d'attention. Les classements Benchable restent en retrait. Le modèle se situe dans la seconde moitié des panels sur General Knowledge, Ethics, Email Classification, Coding, Hallucinations et Reasoning. Coding et Hallucinations comptent parmi ses positions les plus faibles, tandis que Reasoning reste également éloigné du haut du classement. Les benchmarks plafonnés ne permettent pas de transformer ses scores élevés en avantage clair face aux autres modèles. L’absence de prise en charge des system prompts limite certains scénarios d’intégration. Le modèle reste surtout pertinent pour la transcription et l’analyse audio multilingues lorsque le coût constitue un critère central.
Sources des données : OpenRouter (openrouter.ai) · LLM-Stats (llm-stats.com) · Benchable.ai (benchable.ai).