Mistral: Ministral 3 8B 2512 (batch)

Ministral 3 8B Instruct 2512 is het middelgrote, op instructies afgestemde model in de Ministral 3-familie van Mistral AI. Het uitgebrachte checkpoint is nagetraind voor chat- en instructietaken met FP8-precisie. Het combineert een taalcomponent met een beeldencoder, aanvaardt tekst en beelden en retourneert tekst in plaats van een beeld- of audioartefact.

Architectuur en belangrijkste functies

De maker vermeldt een taalmodel met 8,4 miljard parameters en een beeldencoder met 0,4 miljard parameters. Het contextvenster wordt als 256k beschreven, en de gepubliceerde gebruiksaanwijzingen hanteren een standaard ingestelde lengte van 262.144. Deze beschrijven deze editie van 8B-grootte; de kleinere 3B- en grotere 14B-familieleden behouden hun eigen componentgroottes en configuraties.

Beeldbegrip breidt de modelinvoer uit voorbij een schriftelijke conversatie. Een documentafbeelding kan worden gecombineerd met een vraag over een geselecteerd veld, een alinea of een zichtbare relatie. Een screenshot kan worden gekoppeld aan het gebruikersdoel en een verzoek om het relevante bedieningselement te identificeren. Vraag bij elke conclusie de ondersteunende waarneming wanneer het antwoord van visuele details afhangt en behoud koppen, labels en eenheden die nodig zijn om een uitsnede te interpreteren.

De modelkaart beschrijft meertalig werk in tientallen talen, waaronder Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Chinees, Japans, Koreaans en Arabisch. Ze vermeldt ook het volgen van systeeminstructies, ingebouwde functieaanroepen en JSON-uitvoer. Bepaal de uiteindelijke taal, rol en uitvoervereisten expliciet in plaats van het model het beoogde artefact uit een grote invoer te laten afleiden.

Document-, conversatie- en agenttaken

De toepassingen van de maker omvatten chatinterfaces, dagelijkse assistenten, beeld- en documentbeschrijving, vertaling, contentgeneratie en gespecialiseerde agents. Lever voor een documentassistent de pagina aan en specificeer welke informatie moet worden teruggegeven. Een extractieverzoek kan veldlabels, verwachte types en de behandeling van ontbrekende waarden benoemen. Een nuttig antwoord kan de documentidentificatie, geëxtraheerde waarde en een korte uitleg op basis van de zichtbare bron bevatten.

Behoud voor een doorlopende conversatie het relevante vorige antwoord en stel een gerichte vervolgvraag. Een gebruiker kan eerst om een documentsamenvatting vragen en daarna vragen welke uitspraak één conclusie ondersteunt. Daardoor verandert de vereiste uitvoer van een algemeen overzicht in een brongebonden uitleg, met behoud van het oorspronkelijke materiaal en het doel van de dialoog.

Lever voor meertalige redactie de oorspronkelijke passage, de beoogde lezer en een terminologielijst aan. Vraag een herziene versie die namen, voorwaarden en eenheden behoudt, indien nuttig gevolgd door een korte uitleg van de wijzigingen. Geef voor contentgeneratie het publiek en de te vermelden feiten op voordat u om een kort concept of alternatieve formulering vraagt.

Bij een agenttaak levert de toepassing de tools en hun parameters. Het model kan een functie kiezen en argumenten voorbereiden, terwijl de toepassing die uitvoert en het resultaat teruggeeft. Het functievoorbeeld op de modelkaart combineert een beeldvraag met een rekentool. Houd het toolresultaat gescheiden van de voorgestelde aanroep, zodat het daaropvolgende schriftelijke antwoord informatie gebruikt die werkelijk door de bewerking werd teruggegeven.

Aanbevolen voorbereiding en instellingen

De maker beveelt een systeeminstructie aan die de omgeving, het gebruiksdoel en het gebruik van tools beschrijft. Houd de toolset goed afgebakend en beperkt tot het minimum dat de taak nodig heeft. Een kleine opzoekworkflow kan de functies aanbieden die voor de huidige vraag relevant zijn, met duidelijk benoemde vereiste argumenten, in plaats van een grote verzameling niet-gerelateerde bewerkingen te presenteren.

Voor dagelijks en productiegericht gebruik beveelt de modelkaart een temperatuur lager dan 0,1 aan, met hogere temperaturen voor creatieve verkenning. Behandel dit als een aanbeveling voor de instructieworkflow en niet als een afzonderlijke instelling voor de redeneermodus. De familie heeft aparte Base-, Instruct- en Reasoning-checkpoints; deze vermelding betreft de Instruct 2512-editie en niet de afzonderlijke Reasoning-release van dezelfde grootte.

Voor beelden beveelt de maker verhoudingen dicht bij 1:1 aan en raadt zeer smalle of brede invoer af. Snijd indien nodig bij, maar behoud de labels en context die de vraag vereist. Geef bij een pagina met verschillende niet-gerelateerde gebieden aan welk deel moet worden bekeken en welk resultaat moet worden teruggegeven. Een leesbare, gerichte afbeelding is nuttiger dan het model laten raden welk klein detail op een brede pagina van belang is.

Grenzen van context en editie

Stem tekst, beelden, conversatie en gewenst antwoord af op de ingestelde context. De gebruiksaanwijzingen laten expliciet toe de ingestelde modellengte te verkleinen wanneer minder context nodig is; het volledige venster is dus geen instructie om elk verzoek met al het beschikbare materiaal te vullen. Het generatievoorbeeld met 512 tokens op de kaart is slechts een voorbeeldinstelling, en de geraadpleegde bronnen stellen geen afzonderlijke harde maximale antwoordlengte vast.

Het FP8 Instruct-checkpoint, de vooraf getrainde Base-release en de Reasoning-release zijn afzonderlijke edities. De maker beschrijft ook specialisatie en fine-tuning als toepassingen. Behoud het genoemde checkpoint en de bijbehorende tokenizer bij het voorbereiden van de conversatie, en onderscheid tekstgeneratie van repositorytoegang, functie-uitvoering of andere acties die de omringende toepassing levert.