Mistral Medium 3.5
3081°
Mistral | 262,144 token context | $1.50/M input, $7.50/M output。Mistral Medium 3.5 是 Mistral AI 推出的密集型 128B 指令遵循模型。支持文本和图像输入，输出文本，设计用于代理工作流、编码和复杂多步骤推理。特别擅长可靠的多工具调用和长远任务，拥有 256K 上下文窗口，每次请求可配置推理努力程度，并配备可处理可变图像尺寸和长宽比的定制视觉编码器。可在仅四块 GPU 上自托管，并提供开放权重。
本模型的指南
全部指南
船长笔记
2026-10-13 的笔记
Mistral Medium 3.5 是 Mistral AI 推出的 1280 亿参数密集模型，拥有 256K 上下文窗口、视觉输入和可配置的单次请求推理强度。它面向智能工作流和多步骤任务，特别擅长可靠的多工具调用。权重开源，可在四块 GPU 上自托管，处于轻量级和前沿规模模型之间的实用中间地带。
以……著称
- 在长周期智能任务中可靠的多工具调用
- 每次请求可调节的推理强度配置
- 视觉编码器原生支持可变图像尺寸和长宽比
- 256K 上下文窗口，适合大文档或长对话
- 1280 亿参数却能在四块 GPU 上自托管
注意
- 声称权重开源，但目前无 Hugging Face 仓库，使用前请确认可用性。
- 每百万输出令牌 7.50 美元，长智能循环成本较高。
- 1280 亿参数对自托管硬件要求高，四块 GPU 是最低配置，非轻量级方案。
推荐尝试的提示词
多工具代理计划
你可以使用网页搜索工具、代码执行工具和文件读取工具。用户想知道当前欧元兑日元汇率，计算 4750 欧元等值日元，并将结果保存到 result.txt 文件。请写出完整的工具调用序列，每步具体参数。
推理复杂错误
以下 Python 函数旨在返回列表中第二大的唯一数字，但在某些输入下会静默失败。请识别所有可能导致错误输出或异常的边缘情况，解释原因，并重写函数以处理所有情况：
def second_largest(nums):
nums = sorted(set(nums))
return nums[-2]
详细图像分析
附上一张仪表盘、图表或示意图截图。描述你看到的每个数据点或 UI 元素，识别异常或趋势，并基于图像内容提出两条具体的产品改进建议。
与……比较
- Ministral 3 14B 2512开源权重模型262,144 令牌上下文 · $0.20/M 输入，$0.20/M 输出
- Mistral Small 4开源权重模型262,144 令牌上下文 · $0.15/M 输入，$0.60/M 输出
- Devstral 2 2512开源权重模型262,144 令牌上下文 · $0.40/M 输入，$2.00/M 输出
- Mistral Small 3.1 24B开源权重模型128,000 令牌上下文 · $0.35/M 输入，$0.55/M 输出
来自 mistralai 的更多文本模型
常见问题
- 我可以本地运行 Mistral Medium 3.5 吗？
- Mistral AI 称其权重开源，可在四块 GPU 上自托管，但目前无 Hugging Face 仓库，建议通过官方渠道确认下载。
- 费用是多少，上下文窗口多大？
- API 价格为每百万输入令牌 1.50 美元，输出令牌 7.50 美元，上下文窗口为 262,144（256K）令牌。
- Mistral Medium 3.5 与其他 Mistral 模型有何不同？
- 它新增了原生视觉输入、每次请求可配置的推理强度，专注于多工具智能工作流，是较小 Mistral 模型未覆盖的功能。
船长评语一款面向智能工作流的强力工具，具备视觉能力和超长上下文；输出成本较高，建议控制回复长度。
船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
这个评分是怎么计算的
这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。
术语表：这里用到的术语
- 热度得分
- 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
- 基准线
- 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
- 下载等价量
- 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
- 对数刻度
- 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
- 点赞
- 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
- 采用率
- 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
- 测量与估算
- 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
- 做种者
- 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
- AI Horde
- 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
- 生成网站
- 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
- OpenRouter 令牌
- 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
- 完整模型（检查点）
- 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
- LoRA和嵌入
- 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
- 家族与权重
- 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
- 年龄
- 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
- 家族加成
- 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
- 替代分数
- 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
- 新模型！（宽限期）
- 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
- 趋势
- 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
- 典型模型
- 目录的中间值：一半有数据的模型增长比它快，一半比它慢。
Mistral Medium 3.5 是 Text / LLM 系列的一个文本模型，收录于 ModelTrends.ai——一个只读的开源 AI 图像、视频和文本模型目录。你可以将它与其他 Text / LLM 模型比较，并查看热度分数了解趋势。
按模型系列浏览
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153