Puis-je exécuter Mistral Medium 3 localement ?

Non. Les poids ne sont pas publiquement disponibles, donc l'utilisation locale ou en auto-hébergement n'est possible que via les options de déploiement sur site et en VPC de Mistral, pas via des outils comme Ollama ou LM Studio.

Quel est le coût de Mistral Medium 3 et quelle est la fenêtre de contexte ?

Il coûte 0,40 $ par million de tokens en entrée et 2,00 $ par million de tokens en sortie, avec une fenêtre de contexte de 131 072 tokens.

En quoi Mistral Medium 3 diffère-t-il de Mistral Large ou Mistral Small ?

Mistral positionne Medium 3 entre ses gammes small et large, visant une précision proche de la pointe à un prix inférieur aux grands modèles ; Mistral n'a pas publié de comparaison directe entre les trois dans la documentation disponible.

Mistral Medium 3

2341°

#llm #mistralai #vision #programmation #raisonnement #agents

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 131 072 tokens | 0,40 $/M en entrée, 2,00 $/M en sortie. Mistral Medium 3 est un modèle de langage d'entreprise haute performance conçu pour offrir des capacités de pointe à un coût opérationnel significativement réduit. Il équilibre un raisonnement et des performances multimodales à la pointe avec un coût 8× inférieur aux modèles traditionnels, le rendant adapté aux déploiements à grande échelle dans des cas d'usage professionnels et industriels. Le modèle excelle dans des domaines tels que le codage, le raisonnement STEM et l'adaptation en entreprise. Il supporte les…Mistral | contexte de 131 072 tokens | 0,40 $/M en entrée, 2,00 $/M en sortie. Mistral Medium 3 est un modèle de langage d'entreprise haute performance conçu pour offrir des capacités de pointe à un coût opérationnel significativement réduit. Il équilibre un raisonnement et des performances multimodales à la pointe avec un coût 8× inférieur aux modèles traditionnels, le rendant adapté aux déploiements à grande échelle dans des cas d'usage professionnels et industriels. Le modèle excelle dans des domaines tels que le codage, le raisonnement STEM et l'adaptation en entreprise. Il supporte les déploiements hybrides, sur site et en VPC, et est optimisé pour l'intégration dans des flux de travail personnalisés. Mistral Medium 3 offre une précision compétitive par rapport à des modèles plus grands comme Claude Sonnet 3.5/3.7, Llama 4 Maverick et Command R+, tout en maintenant une large compatibilité dans les environnements cloud.

Guides pour ce modèle

Les 10 alternatives à ChatGPT les moins chères en 2026 : modèles locaux gratuits, offres gratuites et forfaits à prix fixe

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

Comment choisir un modèle d'IA en octobre 2026 : les nouveautés des modèles fermés, puis les poids ouverts à télécharger

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Mistral Medium 3 est un modèle de langage d'entreprise à poids fermés de Mistral AI avec prise en charge de la vision et une fenêtre de contexte de 131 072 tokens. Il vise à combler le fossé entre les modèles légers et les modèles de pointe coûteux, se positionnant bien en dessous du niveau des grands modèles tout en revendiquant une précision compétitive face à Claude Sonnet et Llama 4 Maverick. Si votre charge de travail concerne le codage, les STEM ou l'automatisation d'entreprise et que vous avez besoin d'options de déploiement flexibles incluant sur site et VPC, il mérite d'être examiné.

Connu pour

Excellente capacité de codage et de raisonnement STEM à une fraction du prix des grands modèles
Prise en charge de la vision en plus des tâches textuelles standard
Déploiement flexible : cloud, hybride, sur site et en VPC
Coût d'entrée faible à 0,40 $ par million de tokens
Conçu pour une intégration dans des flux de travail d'entreprise personnalisés

Attention à

Les poids ne sont pas ouverts ; vous ne pouvez pas l'exécuter localement ou en auto-hébergement en dehors des options de déploiement approuvées par Mistral.
Le coût de sortie à 2,00 $ par million de tokens peut vite grimper sur des tâches verbeuses ou à fort volume.
Aucune fiche technique publiée, donc les revendications indépendantes de capacités sont difficiles à vérifier.

Idéal pour

Programmation

Raisonnement

Vision

Agents et utilisation d'outils

Prompts à essayer

Déboguer une fonction délicate

Voici une fonction Python censée retourner les N mots les plus fréquents dans une chaîne, mais elle comporte au moins deux bugs. Trouvez-les, expliquez ce que chacun fait de mal, et renvoyez une version corrigée avec une brève explication de vos modifications. def top_words(text, n): words = text.lower().split() counts = {} for w in words: counts[w] = counts.get(w, 1) + 1 return sorted(counts, key=counts.get)[:n]

Planifier un pipeline de recherche STEM

Je dois construire un pipeline automatisé qui ingère quotidiennement de nouveaux résumés arXiv en apprentissage automatique, les classe en cinq catégories thématiques, signale ceux qui citent un auteur spécifique, et envoie un résumé par email. Décrivez l'architecture, nommez les outils ou API que vous utiliseriez à chaque étape, et signalez les risques de fiabilité à anticiper dans la conception.

Décrire et critiquer un graphique

Je joins un graphique issu d'un rapport d'entreprise. Décrivez ce qu'il montre, identifiez les choix de conception trompeurs (axes tronqués, plages sélectionnées, bases manquantes), et suggérez un changement concret qui le rendrait plus honnête.

Comparer avec

Mistral Small 4
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.15/M, sortie $0.60/M
Mistral Small 3.2 24B
Modèle à poids ouverts
Contexte de 256,000 tokens · entrée $0.09/M, sortie $0.25/M
Mistral Large 4
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.68/M, sortie $2.09/M
Mistral Small 3.2 24B Instruct 2506
Modèle à poids ouverts
Contexte de 128,000 tokens · entrée $0.07/M, sortie $0.20/M

Plus de modèles de texte de mistralai

Questions fréquentes

Puis-je exécuter Mistral Medium 3 localement ?: Non. Les poids ne sont pas publiquement disponibles, donc l'utilisation locale ou en auto-hébergement n'est possible que via les options de déploiement sur site et en VPC de Mistral, pas via des outils comme Ollama ou LM Studio.
Quel est le coût de Mistral Medium 3 et quelle est la fenêtre de contexte ?: Il coûte 0,40 $ par million de tokens en entrée et 2,00 $ par million de tokens en sortie, avec une fenêtre de contexte de 131 072 tokens.
En quoi Mistral Medium 3 diffère-t-il de Mistral Large ou Mistral Small ?: Mistral positionne Medium 3 entre ses gammes small et large, visant une précision proche de la pointe à un prix inférieur aux grands modèles ; Mistral n'a pas publié de comparaison directe entre les trois dans la documentation disponible.

Verdict du capitaine
Un choix raisonnable intermédiaire pour les charges de travail d'entreprise en codage et STEM où vous avez besoin d'un déploiement flexible et ne pouvez pas justifier les prix des modèles de pointe.

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

Mistral 7B Instruct v0.2

TEXT / LLM

Gemini Pro Latest

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

Mistral Medium 3 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 programmation raisonnement agents

Parcourir par famille de modèles