Posso rodar o Ministral 3 3B localmente?

Sim. Os pesos são abertos sob Apache 2.0 e o modelo cabe em 8 GB de VRAM em FP8; quantizado ainda mais, precisa de menos, tornando-o prático em uma ampla gama de GPUs consumidoras.

Quanto custa e qual o tamanho da janela de contexto?

Via API custa $0,10 por milhão de tokens para entrada e saída. A janela de contexto é de 256.000 tokens segundo o card do modelo, embora a listagem da API mostre 131.072 tokens.

Como este modelo difere dos maiores Ministral 3?

Este é o menor modelo da família Ministral 3, otimizado para implantação em borda e recursos limitados. Você troca capacidade bruta por um modelo barato para rodar e que cabe em hardware modesto.

Ministral 3 3B 2512

5960°

#llm #mistralai #visão #agentes #multilíngue #local

Executar modelo

Ofertas / Anúncios

OpenRouter Terminal / API

Pague por token

Converse com este modelo no navegador ou chame-o do seu código com uma chave API.

Mistral | contexto de 131.072 tokens | $0,10/M entrada, $0,10/M saída. O menor modelo da família Ministral 3, Ministral 3 3B é um modelo de linguagem pequeno, poderoso e eficiente com capacidades de visão.

Guias para este modelo

Ollama vs LM Studio (2026): qual app de IA local usar e quais os melhores modelos que cada um roda

De quanto VRAM eu realmente preciso para IA local?

O que é um arquivo GGUF? Modelos quantizados explicados (Q4, Q8, fp8, NF4)

Todos os guias

Notas do capitão

Escrito por Captain, o editor da casa

Notas de 2026-10-13

Ministral 3 3B é o menor modelo Ministral 3 da Mistral, um modelo instruído de 3,4 bilhões de parâmetros com um codificador de visão embutido de 0,4 bilhões. Roda em 8 GB de VRAM em FP8, cabe em hardware de borda e cobre visão, chamadas de função e mais de uma dúzia de idiomas a um preço difícil de contestar. Se você precisa de um modelo pequeno e capaz que pode implantar localmente ou acessar barato via API, esta é uma opção séria.

Conhecido por

Cabe em 8 GB de VRAM em FP8; roda localmente em hardware consumidor modesto
Codificador de visão incluído: analisa imagens junto com texto
Chamadas nativas de função e saída JSON para pipelines agentivos
Multilíngue em inglês, francês, espanhol, alemão, chinês, japonês, coreano, árabe e mais
Licença Apache 2.0: uso comercial e modificação permitidos

Fique atento a

É um modelo 3B; raciocínio complexo e escrita longa atingem um limite mais rápido que irmãos maiores.
Visão funciona melhor com imagens quase quadradas; cortes muito largos ou finos degradam desempenho.
Mistral recomenda temperatura abaixo de 0,1 para produção, então saída criativa precisa de ajuste deliberado.

Melhor para

Visão

Agentes e uso de ferramentas

Multilíngue

Roda localmente

Orçamento

Sugestões para tentar

Extraia dados estruturados do texto

Leia o texto da fatura a seguir e retorne um objeto JSON com estes campos: vendor_name, invoice_date, total_amount, line_items (array com descrição e valor). Fatura: 'Acme Supplies, 14 Nov 2025. Widget A x3 @ $12.00 each. Shipping $5.00. Total $41.00.'

Descreva e classifique uma imagem

Olhe a imagem que anexei. Identifique o sujeito principal, descreva o que está acontecendo, liste qualquer texto visível e classifique a imagem em uma destas categorias: foto de produto, documento, cena externa, cena interna, diagrama. Mantenha sua resposta abaixo de 150 palavras.

Construa um plano simples de chamadas de ferramenta

Você tem duas ferramentas: get_weather(city: string) e send_email(to: string, subject: string, body: string). Um usuário diz: 'Envie um e-mail para sarah@example.com com o clima atual em Tóquio.' Escreva a sequência de chamadas de ferramenta que você faria, em JSON, para completar essa solicitação.

Comparar com

Mistral Nemo
Modelo com pesos abertos
Contexto de 131,072 tokens · entrada $0.03/M, saída $0.03/M
Mistral Large 4
Modelo apenas para API
Contexto de 1,048,576 tokens · entrada $0.68/M, saída $2.09/M
Mistral Small 3.2 24B Instruct 2506
Modelo com pesos abertos
Contexto de 128,000 tokens · entrada $0.07/M, saída $0.20/M
Voxtral Small 24B 2507
Modelo com pesos abertos
Contexto de 32,768 tokens · entrada $0.10/M, saída $0.30/M

Mais modelos de texto de mistralai

Perguntas frequentes

Posso rodar o Ministral 3 3B localmente?: Sim. Os pesos são abertos sob Apache 2.0 e o modelo cabe em 8 GB de VRAM em FP8; quantizado ainda mais, precisa de menos, tornando-o prático em uma ampla gama de GPUs consumidoras.
Quanto custa e qual o tamanho da janela de contexto?: Via API custa $0,10 por milhão de tokens para entrada e saída. A janela de contexto é de 256.000 tokens segundo o card do modelo, embora a listagem da API mostre 131.072 tokens.
Como este modelo difere dos maiores Ministral 3?: Este é o menor modelo da família Ministral 3, otimizado para implantação em borda e recursos limitados. Você troca capacidade bruta por um modelo barato para rodar e que cabe em hardware modesto.

Veredito do capitão
Um modelo pequeno realmente útil: visão, chamadas de função, multilíngue, Apache 2.0 e barato o suficiente para deixar rodando em hardware de borda sem arrependimento.

Ficha do modelo no Hugging Face

O capitão escreve estas notas com base na descrição e ficha do modelo. Preços e tamanhos de contexto são do provedor na data da escrita e podem mudar.

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

Como essa pontuação é calculada

Este modelo ainda não tem dados de popularidade de nenhuma fonte, então ele carrega um número provisório abaixo de 7,000° para manter as listas completas. Ele nunca fica acima de um modelo com dados. A divisão aparece aqui assim que uma fonte reporta.

Glossário: os termos usados aqui

Pontuação heat: Um número que mostra o quanto um modelo está sendo usado e desejado agora, de 0° a 9.999°. Toda lista neste site que diz mais quente é ordenada por ele e só por ele.
Limite mínimo: Os 7.000° que todo modelo com dados reais começa. A escala vai de 0° a 9.999°; a parte abaixo do limite é para substitutos (modelos sem dados), para que um modelo com dados sempre fique acima de um sem. O limite é igual para todos e não decide nada; os graus acima dele são a medida.
Equivalentes a downloads: Tudo que a pontuação trata como download, somado: downloads em si, cada torrent seeder como 1.000, cada imagem AI Horde e cada execução em site de geração como um.
Escala logarítmica: Contando de dez em dez, não de um em um: ir de 1.000 para 10.000 downloads adiciona os mesmos graus que ir de 10.000 para 100.000. Isso evita que gigantes abafem tudo.
Likes: Joinhas e likes de todas as fontes, valendo metade de um download na escala logarítmica.
Taxa de adoção: Quantos downloads por dia um modelo recebe agora, pela diferença entre duas leituras de uma fonte. Um quarto do peso do termo download.
Medido e estimado: Medido significa que existem duas leituras de uma fonte e a diferença é real. Estimado significa que só se sabe o total de hoje e o passado é distribuído ao longo da vida do modelo; o site indica qual está mostrando.
Seeder: Alguém que mantém uma cópia dos pesos online para outros baixarem via torrent, ou um espelho hospedado fazendo o mesmo. Cada um conta como 1.000 downloads.
AI Horde: Uma rede voluntária que gera imagens de graça em computadores doados. O número de imagens feitas com um modelo é público, e cada uma conta como um download.
Sites de geração: Sites que hospedam suas próprias cópias de um modelo e deixam as pessoas gerarem com ele, como PixAI, SeaArt e Yodayo. Os downloads deles contam como os do Civitai e cada geração conta como um download.
Tokens OpenRouter: Um modelo de texto servido via API, como Claude ou GPT, não tem pesos para baixar, então seu uso é medido em tokens: os pedaços de texto que ele leu e escreveu via OpenRouter, um gateway usado por muitos apps, nos últimos 30 dias. Cada 10,000,000 tokens contam como um download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modelo completo (checkpoint): Os pesos em si, o arquivo que gera sozinho. Ganha um bônus porque complementos dependem dele.
LoRA e embedding: Arquivos pequenos que direcionam os pesos de outra pessoa para um estilo, personagem ou conceito. Não podem rodar sozinhos.
Família e pesos: A base em que um modelo é construído, como SD 1.5, SDXL, Flux ou Wan. Todo modelo herda a data de lançamento dos pesos da sua família.
Idade: Pontos retirados conforme há quanto tempo os pesos da família foram lançados: 150° por ano, até 750°. Mantém os downloads antigos que tiveram anos para acumular, evitando que saiam do topo da lista.
Impulso da família: Um pequeno empurrão limitado para LoRAs de uma família que este site está promovendo agora, sempre listado na divisão.
Pontuação provisória: Um número estável abaixo do mínimo dado a um modelo que ainda não tem dados de fonte, para a lista ficar completa. Nunca fica acima de um modelo com dados.
Novo! (período de carência): Um modelo com menos de 7 dias mostra Novo! em vez de uma pontuação e não ocupa lugar no ranking. Sua pontuação é calculada desde o primeiro dia, mas um modelo com um dia cresce mais rápido que qualquer outro, então sem a espera o #1 da semana seria sempre o que saiu ontem, não o que se manteve por uma semana.
Tendência: Como o crescimento de um modelo num período se compara com o crescimento típico dos modelos no mesmo período. Crescimento mais rápido que o típico indica alta, mais lento indica queda.
Modelo típico: O meio do catálogo: metade dos modelos com número cresceu mais rápido no período, metade mais devagar.

Modelos semelhantes

gpt oss safeguard 20b

TEXT / LLM

Llama 3.1 70B Instruct

Modelos de IA para geração de imagem, vídeo e texto

Ministral 3 3B 2512 é um modelo de texto para a família Text / LLM listado no ModelTrends.ai, um catálogo somente leitura de modelos de IA de código aberto para imagem, vídeo e texto. Compare-o com outros modelos Text / LLM e veja a pontuação de calor para acompanhar a tendência.

Mais modelos Text / LLM Mais Texto / LLM Text / LLM llm mistralai visão agentes multilíngue local orçamento

Navegar por família de modelos