Puis-je exécuter Ministral 3 14B localement ?

Oui — les poids sont ouverts sous licence Apache 2.0 et disponibles sur Hugging Face. Le modèle instruct FP8 tient dans 24 Go de VRAM, et les versions quantifiées fonctionneront sur moins.

Quel est le coût via API et quelle est la taille du contexte ?

Mistral le facture à 0,20 $ par million de tokens pour l’entrée et la sortie, avec une fenêtre de contexte de 262 144 tokens.

Comment se compare-t-il au Mistral Small 3.2 24B ?

Mistral affirme que les performances sont comparables malgré un nombre de paramètres plus faible, faisant du 14B le meilleur choix quand il faut rester dans des contraintes mémoire ou de coût plus strictes.

Ministral 3 14B 2512

5506°

#llm #mistralai #vision #agents #multilingue #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Mistral | contexte de 262 144 tokens | 0,20 $/M en entrée, 0,20 $/M en sortie. Le plus grand modèle de la famille Ministral 3, Ministral 3 14B offre des capacités de pointe et des performances comparables à son homologue plus grand Mistral Small 3.2 24B. Un modèle de langage puissant et efficace avec des capacités de vision.

Guides pour ce modèle

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Ministral 3 14B 2512 est le plus grand modèle optimisé pour edge de Mistral, associant un modèle de langage de 13,5 milliards de paramètres à un encodeur vision de 0,4 milliard pour offrir des performances que Mistral affirme comparables à son Mistral Small 3.2 24B. Il est distribué sous licence Apache 2.0, tient dans 24 Go de VRAM en FP8, et apporte l’appel natif de fonctions, une fenêtre de contexte de 256k tokens et un support multilingue à du matériel qui ne supporterait pas des modèles plus gros.

Connu pour

Tient dans 24 Go de VRAM en FP8 ; quantification supplémentaire possible pour du matériel plus limité
Appel natif de fonctions et sortie JSON pour pipelines agentiques
Encodeur vision gérant l’analyse d’images en plus du texte
Fenêtre de contexte de 256 000 tokens pour documents longs
Licence Apache 2.0 : usage commercial, fine-tuning, modification permis

Attention à

Poids FP8 uniquement dans la version instruct ; les modèles de base de la famille utilisent BF16
La qualité vision se dégrade avec des images très larges ou très étroites — recadrez près du 1:1 avant envoi
Mistral recommande une température inférieure à 0,1 pour la production ; des valeurs plus élevées nécessitent des tests rigoureux

Idéal pour

Agents et utilisation d'outils

Vision

Multilingue

Contexte long

Fonctionne localement

Prompts à essayer

Plan d’utilisation agentique d’outils

Vous avez deux outils : search_web(query: str) et send_email(to: str, subject: str, body: str). Un utilisateur demande : « Trouvez le PDG actuel de Mistral AI et envoyez-moi un résumé par email à user@example.com. » Écrivez la séquence exacte d’appels d’outils que vous feriez, avec les arguments, et expliquez votre raisonnement entre chaque étape.

Décrire une image jointe

Joignez une photo de n’importe quel produit, document ou scène. Décrivez ce que vous voyez en détail : identifiez le sujet principal, lisez tout texte visible, notez les couleurs et la mise en page, et suggérez deux façons dont cette image pourrait être utilisée dans un contexte marketing.

Clause contractuelle multilingue

Traduisez la clause suivante en français, espagnol, allemand et japonais, en conservant le registre juridique intact. Puis signalez tout terme qui pourrait ne pas avoir d’équivalent juridique direct dans l’une de ces langues et suggérez une alternative locale : « The licensor grants a non-exclusive, royalty-free, worldwide licence to use, reproduce and distribute the software in source or binary form. »

Comparer avec

Mistral Large 4
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.68/M, sortie $2.09/M
Mistral Medium 3.5
Modèle uniquement API
Contexte de 262,144 tokens · entrée $1.50/M, sortie $7.50/M
Mistral Large 3 2512
Modèle uniquement API
Contexte de 262,144 tokens · entrée $0.50/M, sortie $1.50/M
Mistral Large 2407
Modèle uniquement API
Contexte de 131,072 tokens · entrée $2.00/M, sortie $6.00/M

Plus de modèles de texte de mistralai

Questions fréquentes

Puis-je exécuter Ministral 3 14B localement ?: Oui — les poids sont ouverts sous licence Apache 2.0 et disponibles sur Hugging Face. Le modèle instruct FP8 tient dans 24 Go de VRAM, et les versions quantifiées fonctionneront sur moins.
Quel est le coût via API et quelle est la taille du contexte ?: Mistral le facture à 0,20 $ par million de tokens pour l’entrée et la sortie, avec une fenêtre de contexte de 262 144 tokens.
Comment se compare-t-il au Mistral Small 3.2 24B ?: Mistral affirme que les performances sont comparables malgré un nombre de paramètres plus faible, faisant du 14B le meilleur choix quand il faut rester dans des contraintes mémoire ou de coût plus strictes.

Verdict du capitaine
Un modèle edge rare qui prend au sérieux la vision, le long contexte et les agents — à faire tourner localement si vous avez une carte 24 Go.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Llama 3.2 90B Vision Instruct

TEXT / LLM

GLM 4.6

TEXT / LLM

Llama 3.1 Euryale 70B v2.2

TEXT / LLM

Nemotron 3.5 Content Safety

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

Ministral 3 14B 2512 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm mistralai vision agents multilingue contexte long local

Parcourir par famille de modèles