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 visuele encoder, accepteert tekst en afbeeldingen 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 visuele encoder met 0,4 miljard parameters. Het contextvenster wordt beschreven als 256k, en de gepubliceerde gebruiksnotities hanteren een standaard ingestelde lengte van 262.144. Deze beschrijven deze 8B-editie; de kleinere 3B- en grotere 14B-modellen binnen de familie behouden hun eigen componentgroottes en configuraties.

Beeldbegrip breidt de modelinvoer uit tot meer dan een schriftelijk gesprek. Een documentafbeelding kan worden gecombineerd met een vraag over een geselecteerd veld, een alinea of een zichtbare relatie. Een schermafbeelding kan worden gecombineerd met het doel van de gebruiker en een verzoek om het relevante bedieningselement aan te wijzen. Vraag om de waarneming achter elke conclusie wanneer het antwoord afhangt van visuele details, 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. Ook noemt zij het volgen van systeeminstructies, native functieaanroepen en JSON-uitvoer. Definieer de doeltaal, rol en uitvoervereisten expliciet in plaats van het model het bedoelde artefact uit een grote invoer te laten afleiden.

Document-, gespreks- 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 geef op welke informatie moet worden geretourneerd. Een extractieverzoek kan de veldlabels, verwachte typen en omgang met ontbrekende waarden benoemen. Een bruikbaar antwoord kan de documentidentificatie, de geëxtraheerde waarde en een korte uitleg op basis van de zichtbare bron bevatten.

Bewaar voor een doorlopend gesprek het relevante eerdere antwoord en stel een gerichte vervolgvraag. Een gebruiker kan eerst om een documentsamenvatting vragen en daarna welke uitspraak één conclusie ondersteunt. Dit verandert de vereiste uitvoer van een algemeen overzicht naar 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 om een herziene versie die namen, voorwaarden en eenheden behoudt, zo nodig gevolgd door een korte uitleg van de wijzigingen. Geef voor contentgeneratie het publiek en de feiten die moeten voorkomen op voordat u om een kort concept of een alternatieve formulering vraagt.

Bij een agenttaak levert de toepassing de tools en hun parameters. Het model kan een functie kiezen en argumenten opstellen, terwijl de toepassing deze uitvoert en het resultaat retourneert. Het functievoorbeeld op de modelkaart combineert een beeldvraag met een rekentool. Houd het toolresultaat gescheiden van de voorgestelde aanroep, zodat het volgende schriftelijke antwoord de daadwerkelijk door de bewerking geretourneerde informatie gebruikt.

Aanbevolen voorbereiding en instellingen

De maker beveelt een systeeminstructie aan die de omgeving, het gebruiksdoel en het toolgebruik beschrijft. Houd de toolset goed gedefinieerd en beperkt tot het minimum dat voor de taak nodig is. Een kleine opzoekworkflow kan de voor de huidige vraag relevante functies aanbieden, met duidelijk benoemde vereiste argumenten, in plaats van een grote verzameling ongerelateerde bewerkingen te tonen.

Voor dagelijks gebruik en gebruik in productie beveelt de modelkaart een temperatuur lager dan 0.1 aan; hogere temperaturen zijn beschikbaar voor creatieve verkenning. Behandel dit als een aanbeveling voor de instructieworkflow, niet als een afzonderlijke instelling voor een 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 afbeeldingen beveelt de maker verhoudingen dicht bij 1:1 aan en raadt hij zeer smalle of brede invoer af. Snijd zo nodig bij met behoud van labels en context die de vraag vereist. Als een pagina meerdere ongerelateerde gebieden bevat, benoem dan het te onderzoeken deel en het te retourneren resultaat. Een leesbare, gerichte afbeelding is nuttiger dan het model te laten raden welk klein detail op een brede pagina belangrijk is.

Context- en editiegrenzen

Plan tekst, afbeeldingen, gesprek en gewenst antwoord rond de ingestelde context. De gebruiksnotities staan 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 van 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 verdere afstemming als toepassingen. Behoud het benoemde checkpoint en de tokenizer bij het voorbereiden van het gesprek en houd tekstgeneratie gescheiden van repositorytoegang, functie-uitvoering of andere acties die de omringende toepassing levert.