Mistral: Ministral 3 8B 2512 (batch)

Ministral 3 8B Instruct 2512 ist das mittelgroße, auf Anweisungen abgestimmte Modell der Ministral-3-Familie von Mistral AI. Der veröffentlichte Modellstand ist für Chat- und Anweisungsaufgaben in FP8-Präzision nachtrainiert. Er verbindet eine Sprachkomponente mit einem Vision-Encoder, nimmt Text und Bilder entgegen und gibt Text statt eines Bild- oder Audioartefakts zurück.

Architektur und zentrale Funktionen

Der Hersteller nennt ein Sprachmodell mit 8,4 Milliarden Parametern und einen Vision-Encoder mit 0,4 Milliarden Parametern. Sein Kontextfenster wird mit 256k beschrieben, und die veröffentlichten Nutzungshinweise verwenden eine standardmäßig konfigurierte Länge von 262.144. Diese Angaben beschreiben diese Ausgabe der Größe 8B; die kleineren 3B- und größeren 14B-Familienmitglieder behalten ihre eigenen Komponentengrößen und Konfigurationen.

Vision erweitert die Modelleingabe über ein schriftliches Gespräch hinaus. Ein Dokumentbild kann mit einer Frage zu einem ausgewählten Feld, Absatz oder sichtbaren Zusammenhang verbunden werden. Ein Screenshot kann mit dem Ziel des Nutzers und einer Aufforderung zur Identifikation des relevanten Bedienelements kombiniert werden. Verlangen Sie für jede Schlussfolgerung die stützende Beobachtung, wenn die Antwort von visuellen Details abhängt, und bewahren Sie Überschriften, Beschriftungen und Einheiten, die zur Interpretation eines Ausschnitts nötig sind.

Die Modellkarte beschreibt mehrsprachige Arbeit in Dutzenden Sprachen, darunter Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Sie nennt außerdem die Einhaltung von Systemanweisungen, native Funktionsaufrufe und JSON-Ausgaben. Definieren Sie Zielsprache, Rolle und Ausgabeanforderungen ausdrücklich, statt das Modell das beabsichtigte Artefakt aus einer großen Eingabe erschließen zu lassen.

Dokument-, Gesprächs- und Agentenaufgaben

Zu den Anwendungsfällen des Herstellers zählen Chatschnittstellen, Alltagsassistenten, Bild- und Dokumentbeschreibungen, Übersetzung, Inhaltserzeugung und spezialisierte Agenten. Stellen Sie für einen Dokumentassistenten die Seite bereit und geben Sie die zurückzugebenden Informationen an. Eine Extraktionsanfrage kann Feldbezeichnungen, erwartete Typen und den Umgang mit fehlenden Werten benennen. Eine nützliche Antwort könnte die Dokumentkennung, den extrahierten Wert und eine kurze, auf die sichtbare Quelle bezogene Erklärung enthalten.

Bewahren Sie für ein laufendes Gespräch die relevante vorherige Antwort und stellen Sie eine gezielte Folgefrage. Ein Nutzer kann zuerst eine Dokumentzusammenfassung verlangen und danach fragen, welche Aussage eine bestimmte Schlussfolgerung stützt. Dadurch ändert sich die geforderte Ausgabe von einem allgemeinen Überblick zu einer quellenbezogenen Erklärung, während das ursprüngliche Material und der Gesprächszweck erhalten bleiben.

Stellen Sie für mehrsprachige Bearbeitung die ursprüngliche Passage, die Zielgruppe und eine Terminologieliste bereit. Verlangen Sie eine überarbeitete Version, die Namen, Bedingungen und Einheiten bewahrt, gegebenenfalls gefolgt von einer kurzen Erklärung der Änderungen. Geben Sie für die Inhaltserzeugung die Zielgruppe und die einzufügenden Fakten an, bevor Sie einen kurzen Entwurf oder alternative Formulierungen verlangen.

Bei einer Agentenaufgabe stellt die Anwendung die Werkzeuge und ihre Parameter bereit. Das Modell kann eine Funktion wählen und Argumente vorbereiten, während die Anwendung sie ausführt und das Ergebnis zurückliefert. Das Funktionsbeispiel der Modellkarte verbindet eine Bildfrage mit einem Berechnungswerkzeug. Halten Sie das Werkzeugergebnis vom vorgeschlagenen Aufruf getrennt, damit die anschließende schriftliche Antwort die tatsächlich von der Operation zurückgegebenen Informationen verwendet.

Empfohlene Vorbereitung und Einstellungen

Der Hersteller empfiehlt eine Systemanweisung, die Umgebung, Anwendungsfall und die vorgesehene Werkzeugnutzung beschreibt. Halten Sie die Werkzeugmenge klar definiert und auf das für die Aufgabe erforderliche Minimum begrenzt. Ein kleiner Abfrageablauf kann die für die aktuelle Frage relevanten Funktionen mit klar benannten Pflichtargumenten anbieten, statt eine große Sammlung nicht zusammenhängender Operationen zu präsentieren.

Für alltägliche und produktionsnahe Nutzung empfiehlt die Modellkarte eine Temperatur unter 0.1; höhere Temperaturen stehen für kreative Erkundung zur Verfügung. Behandeln Sie dies als Empfehlung für den Anweisungsablauf und nicht als gesonderte Reasoning-Modus-Steuerung. Die Familie hat eigene Modellstände als Base, Instruct und Reasoning; dieser Eintrag bezeichnet die Ausgabe Instruct 2512 und nicht die gesonderte Reasoning-Veröffentlichung derselben Größe.

Für Bilder empfiehlt der Hersteller Seitenverhältnisse nahe 1:1 und rät von sehr schmalen oder sehr breiten Eingaben ab. Schneiden Sie bei Bedarf zu und bewahren Sie dabei Beschriftungen und Kontext, die die Frage erfordert. Enthält eine Seite mehrere nicht zusammengehörige Bereiche, benennen Sie den zu prüfenden Teil und das zurückzugebende Ergebnis. Ein lesbares, fokussiertes Bild ist nützlicher als die Aufforderung an das Modell, zu erraten, welches kleine Detail auf einer umfassenden Seite wichtig ist.

Kontext und Grenzen der Ausgabe

Planen Sie Text, Bilder, Gespräch und gewünschte Antwort im Rahmen des konfigurierten Kontexts. Die Nutzungshinweise erlauben ausdrücklich eine Verringerung der konfigurierten Modelllänge, wenn weniger Kontext benötigt wird; das volle Fenster ist daher keine Aufforderung, jede Anfrage mit allem verfügbaren Material zu füllen. Das Generierungsbeispiel mit 512 Tokens in der Modellkarte ist nur eine Beispieleinstellung, und die gelesenen Quellen belegen keine gesonderte harte maximale Antwortlänge.

Der FP8-Instruct-Modellstand, die vortrainierte Base-Veröffentlichung und die Reasoning-Veröffentlichung sind getrennte Ausgaben. Der Hersteller nennt auch Spezialisierung und Feinabstimmung als Anwendungsfälle. Bewahren Sie bei der Vorbereitung des Gesprächs den benannten Modellstand und seinen Tokenizer und trennen Sie Textgenerierung von Repository-Zugriff, Funktionsausführung oder anderen Aktionen, die die umgebende Anwendung bereitstellt.