MiniStral 3 (14B Instruct 2512)
MiniStral 3 (14B Instruct 2512) est un LLM instruct de Mistral AI, publié le 4 décembre 2025 avec des poids ouverts sous licence Apache 2.0. Son positionnement combine un format compact de 14 milliards de paramètres, une fenêtre de contexte très longue de 262 144 tokens et une…
MiniStral 3 (14B Instruct 2512) est un LLM instruct de Mistral AI, publié le 4 décembre 2025 avec des poids ouverts sous licence Apache 2.0. Son positionnement combine un format compact de 14 milliards de paramètres, une fenêtre de contexte très longue de 262 144 tokens et une autorisation d’usage commercial.
Le modèle se distingue surtout par son coût très bas : son tarif minimal est fixé à 0.2 $ par million de tokens en entrée comme en sortie, soit 90% sous la moyenne des LLM similaires. Face aux modèles frontière, l’écart annoncé atteint environ 24,2 fois moins cher.
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 |
| Fenêtre de contexte | 262 144 tokens |
| Modalités (entrée → sortie) | text,image → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MATH | 90,4 % | 3ᵉ / 70 | llm-stats | Auto-déclaré |
| Wild Bench | 68,5 % | 1ᵉ / 8 | llm-stats | Auto-déclaré |
| Arena Hard | 55,1 % | 16ᵉ / 26 | llm-stats | Auto-déclaré |
| MM-MT-Bench | 8,5 % | 7ᵉ / 17 | 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.
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Mistral | 0,2 $ | 0,2 $ | 0,02 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 90 % en dessous de la moyenne des LLM similaires, et 24,2 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Notre analyse
Forces. MiniStral 3 (14B Instruct 2512) se place, à sa sortie, dans le top 5% sur MATH parmi 57 LLM de la même période, ce qui le situe dans le haut du panier de sa génération pour les tâches de raisonnement mathématique évaluées par ce benchmark. Sa fenêtre de contexte de 262 144 tokens constitue un autre atout concret pour traiter de longs documents, conserver davantage d’éléments dans une même requête et limiter les découpages préalables. Sa licence Apache 2.0, avec poids ouverts et usage commercial autorisé, renforce son intérêt pour des déploiements maîtrisés hors API propriétaire. Son tarif très économique en fait aussi un candidat pertinent lorsque le volume de tokens pèse fortement dans le coût d’exploitation.
Limites et points d'attention. Les données disponibles ne documentent qu’un signal de performance notable, MATH, sans éléments vérifiés sur d’autres familles de tâches comme le code, l’agentique ou les questions scientifiques générales. La fiche repose sur 2 sources concordantes, ce qui établit les informations principales mais limite la profondeur d’analyse publique. Son avantage tarifaire ne suffit pas à qualifier sa qualité globale face aux modèles haut de gamme, qui peuvent rester préférables lorsque la polyvalence, la robustesse ou des capacités spécialisées sont prioritaires. MiniStral 3 (14B Instruct 2512) convient surtout aux usages recherchant un LLM open-weights commercialisable, économique, à long contexte et solide en raisonnement mathématique pour sa génération.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai).