Mistral NeMo Instruct
Mistral NeMo Instruct est un LLM instruct de Mistral AI, publié le 18 juillet 2024 sous licence Apache 2.0, avec poids ouverts et usage commercial autorisé. Son ancienneté, environ deux ans, est très élevée à l’échelle de l’IA, ce qui le situe d’abord comme un modèle de sa génération…
Mistral NeMo Instruct est un LLM instruct de Mistral AI, publié le 18 juillet 2024 sous licence Apache 2.0, avec poids ouverts et usage commercial autorisé. Son ancienneté, environ deux ans, est très élevée à l’échelle de l’IA, ce qui le situe d’abord comme un modèle de sa génération plutôt que comme une référence actuelle.
Le modèle combine un format compact de 12 milliards de paramètres, une très grande fenêtre de contexte de 131 072 tokens et un positionnement tarifaire très économique. Son coût d’usage est annoncé 99% sous la moyenne de LLM similaires et environ 241,7 fois inférieur à celui des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Mistral AI |
| Licence | Apache 2.0 (open-weights, usage commercial autorisé) |
| Date de sortie | 18 juillet 2024 |
| Connaissances jusqu'à | 2024-04-30 |
| Multimodal | non |
| Paramètres | 12 milliards |
| Fenêtre de contexte | 131 072 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| HellaSwag | 83,5 % | 15ᵉ / 27 | llm-stats | Auto-déclaré |
| Winogrande | 76,8 % | 12ᵉ / 22 | llm-stats | Auto-déclaré |
| TriviaQA | 73,8 % | 11ᵉ / 18 | llm-stats | Auto-déclaré |
| MMLU | 68,0 % | 86ᵉ / 98 | llm-stats | Auto-déclaré |
| OpenBookQA | 60,6 % | 4ᵉ / 5 | llm-stats | Auto-déclaré |
| TruthfulQA | 50,3 % | 18ᵉ / 18 | llm-stats | Auto-déclaré |
| Natural Questions | 31,2 % | 2ᵉ / 7 | 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 |
|---|---|---|---|
| DekaLLM | 0,02 $ | 0,03 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 99 % en dessous de la moyenne des LLM similaires, et 241,7 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Notre analyse
Forces. Mistral NeMo Instruct se distingue surtout par son rapport coût-capacité à sa sortie. La licence Apache 2.0, les poids ouverts et l’autorisation d’usage commercial en faisaient un candidat concret pour des déploiements contrôlés, sans dépendance exclusive à une API fermée. Sa fenêtre de contexte de 131 072 tokens était un atout net pour traiter de longs documents, de grands historiques ou des lots d’instructions volumineux. Sur MMLU, benchmark général de connaissances et de raisonnement, il se situait à sa sortie dans la comparaison des LLM de la même période, avec une couverture confirmée par 2 sources concordantes.
Limites et points d'attention. Mistral NeMo Instruct est désormais ancien pour un LLM. Ses performances doivent être lues face aux modèles de mi-2024, pas face aux modèles haut de gamme actuels, généralement plus solides en raisonnement, code, suivi d’instructions complexes et robustesse. Comme beaucoup de modèles de cette période, il est probablement dépassé et souvent retiré des catalogues actifs de l’éditeur. Les données disponibles ne fournissent pas de chiffres vérifiables sur l’effort d’entraînement, comme un équivalent GPU H100 ou un coût en dollars, ce qui limite l’analyse de son investissement technique initial.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai).