Puis-je exécuter Mistral Medium 3.5 localement ?

Mistral AI le décrit comme poids ouverts et auto-hébergeable sur seulement quatre GPU, mais aucun dépôt Hugging Face n'est listé actuellement, donc vérifiez les canaux officiels de Mistral pour le téléchargement réel.

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

Le tarif est de 1,50 $ par million de tokens d'entrée et 7,50 $ par million de tokens de sortie, avec une fenêtre de contexte de 262 144 tokens (256K).

En quoi Mistral Medium 3.5 diffère-t-il des autres modèles Mistral ?

Il ajoute une entrée vision native, un réglage configurable de l'effort de raisonnement par requête, et se concentre sur les workflows agentiques multi-outils que les modèles Mistral plus petits n'offrent pas à cette échelle.

Mistral Medium 3.5

3081°

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

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 | 1,50 $/M en entrée, 7,50 $/M en sortie. Mistral Medium 3.5 est un modèle dense de 128 milliards de paramètres suivant les instructions de Mistral AI. Il supporte les entrées texte et image avec sortie texte, et est conçu pour les flux de travail agentiques, le codage et le raisonnement complexe en plusieurs étapes. Il est particulièrement performant pour l'appel fiable de multiples outils et les tâches à long terme, avec une fenêtre de contexte de 256K, un effort de raisonnement configurable par requête, et un encodeur vision personnalisé qui gère des tailles et rapports d'aspect d'image variables. Auto-hébergeable sur seulement quatre GPU et disponible avec poids ouverts.

Guides pour ce modèle

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

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

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

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Mistral Medium 3.5 est un modèle dense à 128 milliards de paramètres de Mistral AI avec une fenêtre de contexte de 256K, une entrée vision et un effort de raisonnement configurable par requête. Il cible les workflows agentiques et les tâches multi-étapes, avec une force particulière dans l'appel fiable de multiples outils. Poids ouverts et auto-hébergeable sur quatre GPU, il occupe un créneau utile entre modèles légers et modèles de pointe.

Connu pour

Appel fiable de multiples outils sur des tâches agentiques longues
Effort de raisonnement configurable individuellement par requête
Encodeur vision gérant nativement les tailles et rapports d'aspect variables
Fenêtre de contexte de 256K pour documents volumineux ou conversations étendues
Auto-hébergeable sur seulement quatre GPU malgré 128 milliards de paramètres

Attention à

Les poids ouverts sont annoncés mais aucun dépôt Hugging Face n'est listé actuellement ; vérifiez la disponibilité avant de vous baser dessus.
À 7,50 $/M tokens de sortie, les coûts montent vite sur des boucles agentiques générant de longues réponses.
128 milliards signifie des exigences matérielles sérieuses pour l'auto-hébergement ; quatre GPU est le minimum, pas une configuration légère.

Idéal pour

Agents et utilisation d'outils

Prompts à essayer

Plan d'agent multi-outils

Vous avez accès à un outil de recherche web, un outil d'exécution de code et un outil de lecture de fichiers. Un utilisateur veut connaître le taux de change actuel entre EUR et JPY, puis calculer combien valent 4 750 EUR en JPY, et sauvegarder le résultat dans un fichier nommé result.txt. Écrivez la séquence complète d'appels d'outils que vous exécuteriez, étape par étape, avec les arguments exacts pour chaque outil.

Analyser un bug complexe

Cette fonction Python est censée retourner le deuxième plus grand nombre unique dans une liste, mais elle échoue silencieusement sur certaines entrées. Identifiez tous les cas limites pouvant causer une sortie erronée ou une exception, expliquez pourquoi chacun casse la fonction, puis réécrivez-la pour gérer tous ces cas : def second_largest(nums): nums = sorted(set(nums)) return nums[-2]

Analyse détaillée d'une image

Joignez une capture d'écran d'un tableau de bord, graphique ou diagramme. Décrivez chaque point de données ou élément d'interface visible, identifiez anomalies ou tendances, et suggérez deux actions concrètes qu'une équipe produit pourrait entreprendre sur la base de cette image.

Comparer avec

Ministral 3 14B 2512
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.20/M, sortie $0.20/M
Mistral Small 4
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.15/M, sortie $0.60/M
Devstral 2 2512
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.40/M, sortie $2.00/M
Mistral Small 3.1 24B
Modèle à poids ouverts
Contexte de 128,000 tokens · entrée $0.35/M, sortie $0.55/M

Plus de modèles de texte de mistralai

Questions fréquentes

Puis-je exécuter Mistral Medium 3.5 localement ?: Mistral AI le décrit comme poids ouverts et auto-hébergeable sur seulement quatre GPU, mais aucun dépôt Hugging Face n'est listé actuellement, donc vérifiez les canaux officiels de Mistral pour le téléchargement réel.
Quel est le coût et quelle est la taille du contexte ?: Le tarif est de 1,50 $ par million de tokens d'entrée et 7,50 $ par million de tokens de sortie, avec une fenêtre de contexte de 262 144 tokens (256K).
En quoi Mistral Medium 3.5 diffère-t-il des autres modèles Mistral ?: Il ajoute une entrée vision native, un réglage configurable de l'effort de raisonnement par requête, et se concentre sur les workflows agentiques multi-outils que les modèles Mistral plus petits n'offrent pas à cette échelle.

Verdict du capitaine
Un véritable bourreau de travail agentique avec vision et long contexte ; le prix de sortie signifie qu'il faudra garder les réponses concises.

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

Modèles d'IA pour générer image, vidéo et texte

Mistral Medium 3.5 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 raisonnement agents programmation contexte long

Parcourir par famille de modèles