Bisakah saya menjalankan Ministral 3 3B secara lokal?

Ya. Bobotnya terbuka di bawah lisensi Apache 2.0 dan model ini muat di 8 GB VRAM dalam FP8; jika dikurangi kuantisasi, butuh lebih sedikit lagi, sehingga praktis di banyak GPU konsumen.

Berapa biaya dan berapa besar konteksnya?

Lewat API biayanya $0,10 per juta token untuk input dan output. Jendela konteks 256.000 token menurut kartu model, meski listing API menunjukkan 131.072 token.

Apa bedanya dengan model Ministral 3 yang lebih besar?

Ini model terkecil di keluarga Ministral 3, dioptimalkan untuk deployment edge dan sumber daya rendah. Anda menukar kemampuan mentah dengan model yang murah dijalankan dan muat di perangkat sederhana.

Ministral 3 3B 2512

5960°

#llm #mistralai #visi #agen #multibahasa #lokal

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Mistral | konteks 131.072 token | $0.10/M input, $0.10/M output. Model terkecil dalam keluarga Ministral 3, Ministral 3 3B adalah model bahasa kecil yang kuat dan efisien dengan kemampuan visi.

Panduan untuk model ini

Ollama vs LM Studio (2026): aplikasi AI lokal mana yang harus digunakan, dan model top mana yang dijalankan masing-masing

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Ministral 3 3B adalah model Ministral 3 terkecil dari Mistral, model instruksi 3,4 miliar parameter dengan encoder visi bawaan 0,4 miliar parameter. Model ini berjalan di 8 GB VRAM dalam FP8, cocok untuk perangkat edge, dan mendukung visi, pemanggilan fungsi, serta lebih dari selusin bahasa dengan harga yang sulit ditandingi. Jika Anda butuh model kecil yang mumpuni untuk dijalankan lokal atau diakses murah lewat API, ini pilihan serius.

Dikenal untuk

Muatan dalam 8 GB VRAM di FP8; bisa dijalankan lokal di perangkat konsumen sederhana
Encoder visi termasuk: analisis gambar bersama teks
Pemanggilan fungsi native dan output JSON untuk pipeline agen
Multibahasa: Inggris, Prancis, Spanyol, Jerman, Cina, Jepang, Korea, Arab, dan lainnya
Lisensi Apache 2.0: penggunaan komersial dan modifikasi diperbolehkan

Waspadai

Ini model 3B; penalaran kompleks dan penulisan panjang akan cepat menemui batas dibanding saudara yang lebih besar.
Visi bekerja terbaik dengan gambar hampir persegi; crop sangat lebar atau tipis menurunkan performa.
Mistral menyarankan suhu di bawah 0,1 untuk produksi, jadi output kreatif perlu tuning khusus.

Terbaik untuk

Penglihatan

Agen dan penggunaan alat

Multibahasa

Jalankan secara lokal

Anggaran

Prompt untuk dicoba

Ekstrak data terstruktur dari teks

Baca teks faktur berikut dan kembalikan objek JSON dengan bidang: vendor_name, invoice_date, total_amount, line_items (array deskripsi dan jumlah). Faktur: 'Acme Supplies, 14 Nov 2025. Widget A x3 @ $12.00 each. Shipping $5.00. Total $41.00.'

Deskripsikan dan klasifikasikan gambar

Lihat gambar yang saya lampirkan. Identifikasi subjek utama, jelaskan apa yang terjadi, daftar teks yang terlihat, dan klasifikasikan gambar ke salah satu kategori ini: foto produk, dokumen, pemandangan luar ruangan, pemandangan dalam ruangan, diagram. Jawaban maksimal 150 kata.

Buat rencana pemanggilan alat sederhana

Anda punya dua alat: get_weather(city: string) dan send_email(to: string, subject: string, body: string). Seorang pengguna berkata: 'Email sarah@example.com cuaca terkini di Tokyo.' Tulis urutan pemanggilan alat dalam JSON untuk menyelesaikan permintaan ini.

Bandingkan dengan

Mistral Nemo
Model dengan bobot terbuka
konteks 131,072 token · $0.03/M input, $0.03/M output
Mistral Large 4
Model hanya API
konteks 1,048,576 token · $0.68/M input, $2.09/M output
Mistral Small 3.2 24B Instruct 2506
Model dengan bobot terbuka
konteks 128,000 token · $0.07/M input, $0.20/M output
Voxtral Small 24B 2507
Model dengan bobot terbuka
konteks 32,768 token · $0.10/M input, $0.30/M output

Model teks lain dari mistralai

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Ministral 3 3B secara lokal?: Ya. Bobotnya terbuka di bawah lisensi Apache 2.0 dan model ini muat di 8 GB VRAM dalam FP8; jika dikurangi kuantisasi, butuh lebih sedikit lagi, sehingga praktis di banyak GPU konsumen.
Berapa biaya dan berapa besar konteksnya?: Lewat API biayanya $0,10 per juta token untuk input dan output. Jendela konteks 256.000 token menurut kartu model, meski listing API menunjukkan 131.072 token.
Apa bedanya dengan model Ministral 3 yang lebih besar?: Ini model terkecil di keluarga Ministral 3, dioptimalkan untuk deployment edge dan sumber daya rendah. Anda menukar kemampuan mentah dengan model yang murah dijalankan dan muat di perangkat sederhana.

Putusan Kapten
Model kecil yang benar-benar berguna: visi, pemanggilan fungsi, multibahasa, Apache 2.0, dan cukup murah untuk terus dijalankan di perangkat edge tanpa penyesalan.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

Model AI untuk Pembuatan Gambar, Video & Teks

Ministral 3 3B 2512 adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm mistralai visi agen multibahasa lokal anggaran

Jelajahi berdasarkan Keluarga Model