Kan jag köra Ministral 3 3B lokalt?

Ja. Vikterna är öppna under Apache 2.0 och modellen får plats i 8 GB VRAM i FP8; kvantiserad ytterligare krävs ännu mindre, vilket gör den praktisk på många konsument-GPU:er.

Vad kostar den och hur långt är kontextfönstret?

Via API kostar den $0.10 per miljon tokens för både in- och utmatning. Kontextfönstret är 256 000 tokens enligt modellkortet, även om API-listningen visar 131 072 tokens.

Hur skiljer sig denna från större Ministral 3-modeller?

Detta är den minsta modellen i Ministral 3-familjen, optimerad för edge- och lågresursdistribution. Du byter rå kapacitet mot en modell som är billig att köra och passar på modest hårdvara.

Ministral 3 3B 2512

5960°

#llm #mistralai #vision #agenter #fler språk #lokal

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Mistral | 131 072 tokens kontext | $0.10/M input, $0.10/M output. Den minsta modellen i Ministral 3-familjen, Ministral 3 3B är en kraftfull, effektiv liten språkmodell med synförmågor.

Guider för denna modell

Ollama vs LM Studio (2026): vilken lokal AI-app du ska använda och vilka toppmodeller varje kör

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Ministral 3 3B är Mistrals minsta Ministral 3-modell, en 3,4 miljarder parametrar stor instruktionsmodell med en inbyggd 0,4 miljarder parametrar stor vision-encoder. Den körs i 8 GB VRAM i FP8, passar på edge-hårdvara och täcker vision, funktionsanrop och ett dussintal språk till ett pris som är svårt att argumentera emot. Om du behöver en kapabel liten modell som du kan köra lokalt eller nå billigt via API är detta ett seriöst alternativ.

Känd för

Får plats i 8 GB VRAM i FP8; körs lokalt på modest konsumenthårdvara
Vision-encoder inkluderad: analysera bilder tillsammans med text
Inbyggda funktionsanrop och JSON-utmatning för agentpipelines
Fler-språkig: engelska, franska, spanska, tyska, kinesiska, japanska, koreanska, arabiska med flera
Apache 2.0-licens: kommersiell användning och modifiering tillåten

Se upp för

Det är en 3 miljarder parametrar-modell; komplexa resonemang och långformsskrivning når taket snabbare än större syskon.
Vision fungerar bäst med nästan kvadratiska bilder; mycket breda eller smala beskärningar försämrar prestandan.
Mistral rekommenderar temperatur under 0,1 för produktion, så kreativ output kräver medveten justering.

Bäst för

Syn

Agenter och verktygsanvändning

Fler språk

Kör lokalt

Budget

Promptar att prova

Extrahera strukturerad data från text

Läs följande fakturatext och returnera ett JSON-objekt med dessa fält: vendor_name, invoice_date, total_amount, line_items (array med beskrivning och belopp). Faktura: 'Acme Supplies, 14 Nov 2025. Widget A x3 @ $12.00 each. Shipping $5.00. Total $41.00.'

Beskriv och klassificera en bild

Titta på bilden jag bifogat. Identifiera huvudmotivet, beskriv vad som händer, lista eventuell synlig text och klassificera bilden i en av dessa kategorier: produktfoto, dokument, utomhusscen, inomhusscen, diagram. Håll svaret under 150 ord.

Bygg en enkel plan för verktygsanrop

Du har två verktyg: get_weather(city: string) och send_email(to: string, subject: string, body: string). En användare säger: 'Skicka e-post till sarah@example.com med aktuell väderrapport för Tokyo.' Skriv sekvensen av verktygsanrop du skulle göra, i JSON, för att slutföra denna begäran.

Jämför med

Mistral Nemo
Öppen vikt-modell
131,072 tokens kontext · $0.03/M indata, $0.03/M utdata
Mistral Large 4
Endast API-modell
1,048,576 tokens kontext · $0.68/M indata, $2.09/M utdata
Mistral Small 3.2 24B Instruct 2506
Öppen vikt-modell
128,000 tokens kontext · $0.07/M indata, $0.20/M utdata
Voxtral Small 24B 2507
Öppen vikt-modell
32,768 tokens kontext · $0.10/M indata, $0.30/M utdata

Fler textmodeller från mistralai

Vanliga frågor

Kan jag köra Ministral 3 3B lokalt?: Ja. Vikterna är öppna under Apache 2.0 och modellen får plats i 8 GB VRAM i FP8; kvantiserad ytterligare krävs ännu mindre, vilket gör den praktisk på många konsument-GPU:er.
Vad kostar den och hur långt är kontextfönstret?: Via API kostar den $0.10 per miljon tokens för både in- och utmatning. Kontextfönstret är 256 000 tokens enligt modellkortet, även om API-listningen visar 131 072 tokens.
Hur skiljer sig denna från större Ministral 3-modeller?: Detta är den minsta modellen i Ministral 3-familjen, optimerad för edge- och lågresursdistribution. Du byter rå kapacitet mot en modell som är billig att köra och passar på modest hårdvara.

Kaptens omdöme
En verkligt användbar liten modell: vision, funktionsanrop, flerspråkig, Apache 2.0 och tillräckligt billig för att köra på edge-hårdvara utan ånger.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

Meta Llama 3 8B Instruct

TEXT / LLM

MiniMax 01

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

Ministral 3 3B 2512 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm mistralai vision agenter fler språk lokal budget

Bläddra efter modellfamilj