Maaari ko bang patakbuhin ang Ministral 3 14B nang lokal?

Oo — bukas ang weights sa ilalim ng Apache 2.0 at available sa Hugging Face. Ang FP8 instruct model ay kasya sa 24 GB VRAM, at ang mga quantised na bersyon ay tatakbo sa mas kaunting VRAM.

Magkano ang gastos sa API, at gaano kahaba ang konteksto?

Presyo ay $0.20 kada milyon tokens para sa input at output, na may 262,144-token na context window.

Paano ito naiiba sa Mistral Small 3.2 24B?

Sinasabi ng Mistral na katulad ang performance kahit mas maliit ang parameter count, kaya mas mainam ang 14B kapag kailangan mong manatili sa mas mahigpit na memorya o gastos.

Ministral 3 14B 2512

5506°

#llm #mistralai #paningin #mga ahente #maramihang wika #mahabang konteksto

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Mistral | 262,144 token context | $0.20/M input, $0.20/M output. Ang pinakamalaking modelo sa Ministral 3 family, ang Ministral 3 14B ay nag-aalok ng frontier capabilities at performance na katumbas ng mas malaking Mistral Small 3.2 24B counterpart. Isang makapangyarihan at epektibong language model na may kakayahan sa vision.

Mga gabay para sa model na ito

Ollama vs LM Studio (2026): alin ang local AI app na gagamitin, at alin ang mga top models na pinapatakbo ng bawat isa

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Ministral 3 14B 2512 ay pinakamalaking edge-optimised na modelo ng Mistral, pinagsasama ang 13.5B language model at 0.4B vision encoder upang maghatid ng performance na sinasabi ng Mistral na katulad ng Mistral Small 3.2 24B. Ito ay inilabas sa ilalim ng Apache 2.0, kasya sa 24 GB VRAM sa FP8, at nagdadala ng native function calling, 256k-token na konteksto, at multilingual support sa hardware na hindi kayang patakbuhin ang mas malalaking modelo.

Kilalang-kilala sa

Kasya sa 24 GB VRAM sa FP8; maaaring i-quantise pa para sa mas maliit na hardware
Native function calling at JSON output para sa agentic pipelines
Vision encoder na nagsusuri ng imahe kasabay ng teksto
256k-token na context window para sa mahahabang dokumento
Apache 2.0 lisensya: pinapayagan ang komersyal na paggamit, fine-tuning, at pagbabago

Mag-ingat sa

FP8 weights lang sa instruct version; ang base models sa pamilya ay gumagamit ng BF16
Lumalala ang kalidad ng vision sa sobrang lapad o sobrang makitid na mga imahe — i-crop sa halos 1:1 bago ipadala
Inirerekomenda ng Mistral ang temperature na mas mababa sa 0.1 para sa production; ang mas mataas na halaga ay kailangang maingat na subukan

Pinakamainam para sa

Mga ahente at paggamit ng tool

Mga prompt na subukan

Agentic tool-use plan

Mayroon kang dalawang tool: search_web(query: str) at send_email(to: str, subject: str, body: str). May tanong ang user: 'Hanapin ang kasalukuyang CEO ng Mistral AI at ipadala sa akin ang isang summary email sa user@example.com.' Isulat ang eksaktong sunod-sunod na tool calls na gagawin mo, kasama ang mga argumento, at ipaliwanag ang iyong dahilan sa bawat hakbang.

Describe an attached image

Mag-attach ng larawan ng anumang produkto, dokumento, o eksena. Ilarawan nang detalyado ang nakikita mo: tukuyin ang pangunahing subject, basahin ang anumang nakikitang teksto, banggitin ang mga kulay at layout, at magmungkahi ng dalawang paraan kung paano magagamit ang larawang ito sa marketing.

Multilingual contract clause

Isalin ang sumusunod na clause sa French, Spanish, German, at Japanese, panatilihin ang legal register. Pagkatapos ay ituro ang anumang termino na maaaring walang direktang legal na katumbas sa isa sa mga wikang iyon at magmungkahi ng lokal na alternatibo: 'The licensor grants a non-exclusive, royalty-free, worldwide licence to use, reproduce and distribute the software in source or binary form.'

Ihambing sa

Mistral Large 4
Modelong API lang
1,048,576 token na konteksto · $0.68/M input, $2.09/M output
Mistral Medium 3.5
Modelong API lang
262,144 token na konteksto · $1.50/M input, $7.50/M output
Mistral Large 3 2512
Modelong API lang
262,144 token na konteksto · $0.50/M input, $1.50/M output
Mistral Large 2407
Modelong API lang
131,072 token na konteksto · $2.00/M input, $6.00/M output

Higit pang mga text model mula sa mistralai

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Ministral 3 14B nang lokal?: Oo — bukas ang weights sa ilalim ng Apache 2.0 at available sa Hugging Face. Ang FP8 instruct model ay kasya sa 24 GB VRAM, at ang mga quantised na bersyon ay tatakbo sa mas kaunting VRAM.
Magkano ang gastos sa API, at gaano kahaba ang konteksto?: Presyo ay $0.20 kada milyon tokens para sa input at output, na may 262,144-token na context window.
Paano ito naiiba sa Mistral Small 3.2 24B?: Sinasabi ng Mistral na katulad ang performance kahit mas maliit ang parameter count, kaya mas mainam ang 14B kapag kailangan mong manatili sa mas mahigpit na memorya o gastos.

Hatol ng Kapitan
Isang bihirang edge model na seryosong tinatrato ang vision, long context, at agents — sulit itong patakbuhin nang lokal kung may 24 GB card ka.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Llama 3.3 70B Instruct

Command R7B (12 2024)

TEXT / LLM

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Ministral 3 14B 2512 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm mistralai paningin mga ahente maramihang wika mahabang konteksto lokal

Mag-browse ayon sa pamilya ng model