Ministral 3 (14B Base 2512)
Ministral 3 (14B Base 2512) est un LLM de Mistral AI publié le 4 décembre 2025, dans une version Base de 14 milliards de paramètres. Son positionnement combine un format relativement compact pour un modèle généraliste et une distribution open-weights sous licence Apache 2.0, avec usage…
Ministral 3 (14B Base 2512) est un LLM de Mistral AI publié le 4 décembre 2025, dans une version Base de 14 milliards de paramètres. Son positionnement combine un format relativement compact pour un modèle généraliste et une distribution open-weights sous licence Apache 2.0, avec usage commercial autorisé.
À sa sortie, le modèle se situait dans le top 63% des LLM de sa génération sur MMLU, parmi 82 modèles comparables publiés sur une fenêtre de plus ou moins neuf mois. Cette place le situe dans le paysage de son époque sans en faire un modèle de tête sur ce benchmark.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Mistral AI |
| Licence | Apache 2.0 (open-weights, usage commercial autorisé) |
| Date de sortie | 4 décembre 2025 |
| Multimodal | oui |
| Paramètres | 14 milliards |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MMLU-Redux | 82,0 % | 36ᵉ / 48 | llm-stats | Auto-déclaré |
| MMLU | 79,4 % | 63ᵉ / 98 | llm-stats | Auto-déclaré |
| TriviaQA | 74,9 % | 9ᵉ / 18 | llm-stats | Auto-déclaré |
| Multilingual MMLU | 74,2 % | 2ᵉ / 5 | llm-stats | Auto-déclaré |
| MATH (CoT) | 67,6 % | 2ᵉ / 6 | llm-stats | Auto-déclaré |
| AGIEval | 64,8 % | 2ᵉ / 10 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Notre analyse
Forces. Ministral 3 (14B Base 2512) réunit deux caractéristiques concrètes: un gabarit de 14 milliards de paramètres et une licence Apache 2.0 qui autorise les usages commerciaux avec des poids ouverts. À sa sortie, son classement sur MMLU (benchmark de connaissances et de raisonnement général) le plaçait dans le top 63% des LLM de la même période, ce qui indique un niveau exploitable dans sa génération, sans appartenir au haut du panier. Le modèle présente surtout un intérêt pour des projets qui privilégient un modèle open-weights de Mistral AI, au format 14B, plutôt qu’un score de référence parmi les meilleurs.
Limites et points d'attention. La fiche ne repose que sur une source de données concordante, ce qui limite la profondeur d’analyse disponible. Aucun autre benchmark, indice spécialisé, coût d’entraînement, donnée de calcul ou tarif n’est fourni, ce qui empêche d’évaluer précisément ses performances en code, raisonnement scientifique, usages agentiques ou mathématiques avancées. Son résultat MMLU le situe dans une zone intermédiaire à sa sortie, loin d’un signal de domination face aux modèles haut de gamme de sa période.
Sources des données : LLM-Stats (llm-stats.com).