Чи можу я запускати Ministral 3 3B локально?

Так. Ваги відкриті під Apache 2.0, модель вміщується в 8 ГБ VRAM у FP8; при подальшій квантизації потрібно ще менше, що робить її практичною на широкому спектрі споживчих GPU.

Скільки коштує і який розмір контексту?

Через API це $0.10 за мільйон токенів для вхідних і вихідних. Розмір контексту за карткою моделі 256 000 токенів, хоча в описі API вказано 131 072 токени.

Чим ця модель відрізняється від більших моделей Ministral 3?

Це найменша модель у сімействі Ministral 3, оптимізована для периферійного та малоресурсного розгортання. Ви жертвуєте сировинною потужністю заради дешевизни запуску і сумісності зі скромним обладнанням.

Ministral 3 3B 2512

5960°

#llm #mistralai #бачення #агенти #багатомовність #локально

Запустити модель

Пропозиції / Реклама

OpenRouter Термінал / API

Платити за токен

Спілкуйся з цією моделлю у браузері або викликай її з коду за допомогою одного API ключа.

Mistral | 131,072 токенів контексту | $0.10/млн вхідних, $0.10/млн вихідних. Найменша модель у сімействі Ministral 3, Ministral 3 3B — потужна, ефективна компактна мовна модель з можливостями зору.

Посібники до цієї моделі

Ollama проти LM Studio (2026): яку локальну AI-програму вибрати і які топ-моделі кожна підтримує

Скільки VRAM мені справді потрібно для локального ШІ?

Що таке файл GGUF? Пояснення квантизованих моделей (Q4, Q8, fp8, NF4)

Усі посібники

Нотатки капітана

Написано Captain, головним редактором

Нотатки від 2026-10-13

Ministral 3 3B — найменша модель Ministral 3 від Mistral, інструктивна модель з 3.4 млрд параметрів і вбудованим візуальним енкодером на 0.4 млрд. Вона працює в 8 ГБ VRAM у FP8, підходить для локального запуску на периферійному обладнанні і охоплює завдання зору, виклику функцій і понад десяток мов за привабливою ціною. Якщо вам потрібна здатна маленька модель для локального розгортання або дешевої роботи через API, це серйозний варіант.

Відомий за

Вміщується в 8 ГБ VRAM у FP8; працює локально на скромному споживчому обладнанні
Вбудований візуальний енкодер: аналіз зображень поряд з текстом
Рідний виклик функцій і JSON-вивід для агентських конвеєрів
Багатомовність: англійська, французька, іспанська, німецька, китайська, японська, корейська, арабська та інші
Ліцензія Apache 2.0: дозволено комерційне використання та модифікації

Зверніть увагу на

Це модель на 3 млрд параметрів; складне мислення і довгі тексти швидше досягнуть межі, ніж у більших моделей.
Візуальна частина найкраще працює з майже квадратними зображеннями; дуже широкі або вузькі обрізки погіршують якість.
Mistral рекомендує температуру нижче 0.1 для продакшену, тому творчий вивід потребує свідомого налаштування.

Найкраще для

Зір

Агенти та використання інструментів

Багатомовність

Працює локально

Бюджет

Підказки для спроби

Витягнути структуровані дані з тексту

Прочитай текст рахунку і поверни JSON-об’єкт з полями: vendor_name, invoice_date, total_amount, line_items (масив з описом і сумою). Рахунок: 'Acme Supplies, 14 Nov 2025. Widget A x3 @ $12.00 each. Shipping $5.00. Total $41.00.'

Описати і класифікувати зображення

Подивись на прикріплене зображення. Визнач основний об’єкт, опиши, що відбувається, перерахуйте видимий текст і класифікуй зображення за однією з категорій: фото продукту, документ, зовнішня сцена, внутрішня сцена, діаграма. Відповідь тримай до 150 слів.

Побудувати простий план виклику інструментів

У тебе є два інструменти: get_weather(city: string) і send_email(to: string, subject: string, body: string). Користувач каже: 'Надішли електронного листа sarah@example.com з поточною погодою в Токіо.' Напиши послідовність викликів інструментів у JSON, щоб виконати це завдання.

Порівняти з

Mistral Nemo
Модель з відкритими вагами
контекст 131,072 токенів · $0.03/M вхід, $0.03/M вихід
Mistral Large 4
Модель тільки з API
контекст 1,048,576 токенів · $0.68/M вхід, $2.09/M вихід
Mistral Small 3.2 24B Instruct 2506
Модель з відкритими вагами
контекст 128,000 токенів · $0.07/M вхід, $0.20/M вихід
Voxtral Small 24B 2507
Модель з відкритими вагами
контекст 32,768 токенів · $0.10/M вхід, $0.30/M вихід

Більше текстових моделей від mistralai

Питання, які задають люди

Чи можу я запускати Ministral 3 3B локально?: Так. Ваги відкриті під Apache 2.0, модель вміщується в 8 ГБ VRAM у FP8; при подальшій квантизації потрібно ще менше, що робить її практичною на широкому спектрі споживчих GPU.
Скільки коштує і який розмір контексту?: Через API це $0.10 за мільйон токенів для вхідних і вихідних. Розмір контексту за карткою моделі 256 000 токенів, хоча в описі API вказано 131 072 токени.
Чим ця модель відрізняється від більших моделей Ministral 3?: Це найменша модель у сімействі Ministral 3, оптимізована для периферійного та малоресурсного розгортання. Ви жертвуєте сировинною потужністю заради дешевизни запуску і сумісності зі скромним обладнанням.

Вердикт капітана
Справді корисна маленька модель: зір, виклик функцій, багатомовність, Apache 2.0 і достатньо дешева, щоб залишити її працювати на периферійному обладнанні без жалю.

Картка моделі на Hugging Face

Капітан пише ці нотатки на основі опису моделі та картки моделі. Ціни та розміри контексту вказані на момент написання і можуть змінюватися.

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

Як цей бал складається

Ця модель поки що не має даних про популярність з жодного джерела, тому вона має замінне число нижче за 7,000°, щоб списки залишалися повними. Вона ніколи не буде вище за модель з даними. Розподіл з’явиться тут, щойно джерело його надасть.

Глосарій: терміни, що тут використовуються

Оцінка популярності: Одне число, що показує, наскільки модель зараз використовується і потрібна, від 0° до 9,999°. Кожен список на цьому сайті, який називається найгарячішим, відсортований саме за цим числом.
Початкова оцінка: 7,000° — це стартова оцінка для кожної моделі з реальними даними. Шкала від 0° до 9,999°; частина нижче початкової оцінки відведена для моделей без даних, щоб модель з даними завжди була вище. Початкова оцінка однакова для всіх і нічого не вирішує; градуси вище неї — це власне вимірювання.
Еквіваленти завантажень: Все, що оцінка рахує як завантаження, підсумовано: самі завантаження, кожен торрент-сідер як 1,000, кожне зображення AI Horde і кожен запуск на сайті генерації як один.
Логарифмічна шкала: Рахунок по десятках, а не по одиницях: перехід від 1,000 до 10,000 завантажень додає ті ж градуси, що й від 10,000 до 100,000. Це не дає гігантам витіснити все інше.
Лайки: Вподобання і лайки з усіх джерел, вартістю половини завантаження на логарифмічній шкалі.
Швидкість прийняття: Скільки завантажень на день модель отримує зараз, за різницею між двома замірами джерела. Чверть ваги від терміну завантажень.
Виміряно та оцінено: Виміряно означає, що є два показники джерела, і різниця справжня. Оцінено означає, що відомий лише загальний показник за сьогодні, а минуле розподілено на весь час існування моделі; сайт показує, який саме варіант відображається.
Сідер: Хтось, хто тримає копію вагів онлайн, щоб інші могли завантажувати через торрент, або хостинг-дзеркало, що робить те саме. Кожен такий рахується як 1000 завантажень.
AI Horde: Добровільна мережа, яка безкоштовно генерує зображення на пожертвуваних комп’ютерах. Кількість зображень, створених з моделлю, публічна, і кожне рахується як одне завантаження.
Сайти генерації: Сайти, які розміщують власні копії моделі і дозволяють людям генерувати з нею, наприклад PixAI, SeaArt і Yodayo. Їхні завантаження рахується так само, як у Civitai, а кожен запуск генерації — як одне завантаження.
Токени OpenRouter: Текстова модель, що обслуговується через API, як Claude або GPT, не має ваг для завантаження, тому її використання вимірюється токенами: частинами тексту, які вона прочитала і написала через OpenRouter, шлюз, який використовують багато додатків, за останні 30 днів. Кожні 10,000,000 токенів рахується як одне завантаження. Джерело: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Повна модель (чекпойнт): Самі ваги, файл, який генерує самостійно. Має бонус, бо від нього залежать додатки.
LoRA та embedding: Малі додаткові файли, які направляють чужі ваги в певний стиль, персонажа чи концепцію. Вони не можуть працювати самі по собі.
Сімейство та ваги: База, на якій побудована модель, наприклад SD 1.5, SDXL, Flux або Wan. Кожна модель успадковує дату виходу вагів свого сімейства.
Вік: Віднімається градус за те, як давно вийшли ваги сімейства: 150° за рік, максимум 750°. Це зберігає старі завантаження, які мали роки, щоб накопичитись, заморожуючи їх на верху списку.
Підсилення сімейства: Невеликий, обмежений поштовх для LoRA сімейства, яке цей сайт зараз просуває, завжди вказується в розподілі.
Оцінка заміщення: Стабільне число нижче мінімуму, яке дають моделі, про яку ще немає даних, щоб списки були повними. Воно ніколи не вище за модель з даними.
Новинка! (період очікування): Модель віком менше 7 днів показує Новинка! замість оцінки і не займає місце в рейтингах. Її оцінка обчислюється з першого дня, але модель віком один день росте швидше за все, тому без очікування #1 тижня завжди була б та, що вийшла вчора, а не та, що трималась тиждень.
Тренд: Як зростання моделі за період порівнюється зі звичайним зростанням моделей за той самий період. Швидше за звичайне — це підйом, повільніше — спад.
Типова модель: Середина каталогу: половина моделей з показником зросла швидше за цей період, половина повільніше.

Схожі моделі

Моделі ШІ для генерації зображень, відео та тексту

Ministral 3 3B 2512 — це текстова модель для сімейства Text / LLM, представлена на ModelTrends.ai, каталозі лише для читання відкритих моделей ШІ для зображень, відео та тексту. Порівняйте її з іншими моделями Text / LLM і перевірте бал популярності, щоб побачити тренд.

Більше моделей Text / LLM Більше Text / LLM Текст / LLM llm mistralai бачення агенти багатомовність локально бюджет

Перегляд за сімейством моделей