Qu’est-ce que Mistral 3, et pourquoi une famille à poids ouverts de 3 à 675 milliards de paramètres compte-t-elle?

Hier, le mardi 2 décembre 2025, l’entreprise française Mistral AI a lancé Mistral 3, sa nouvelle génération de modèles de langage. La famille compte deux branches. Mistral Large 3 est le modèle le plus performant que Mistral ait construit jusqu’ici. Ministral 3 est un ensemble de petits modèles conçus pour tourner sur du matériel modeste, y compris des ordinateurs portables, des robots et d’autres appareils qui ne sont pas toujours en ligne.

Chaque modèle de la famille est publié sous la licence Apache 2.0, une licence permissive de code source ouvert qui permet à quiconque de l’utiliser, de le modifier et de bâtir des produits commerciaux par-dessus. Cela fait de Mistral 3 une publication à poids ouverts. Les poids d’un modèle sont les milliards de nombres qu’il a appris pendant l’entraînement. Quand une entreprise les publie, vous pouvez télécharger le modèle et le faire tourner sur vos propres machines, au lieu d’y accéder seulement par l’application ou l’API de quelqu’un d’autre (une connexion que les programmes utilisent pour envoyer des requêtes à un service).

Ce que Mistral a lancé

TechCrunch compte dix modèles en tout. Voici comment ils s’articulent :

Un paramètre est l’un de ces nombres appris; plus de paramètres signifie habituellement plus de connaissances et d’habiletés, mais aussi plus de mémoire et de puissance de calcul pour le faire tourner. Tous les modèles peuvent lire des images aussi bien que du texte, et Mistral affirme que la famille fonctionne nativement dans plus de 40 langues. Large 3 peut absorber environ 256 000 jetons d’un coup, les petits morceaux de texte qu’un modèle lit, ce qui suffit pour un long rapport ou une pile de contrats.

Les trois versions de chaque petit modèle s’adressent à des publics différents. Un modèle base est le résultat brut de l’entraînement, un point de départ pour les entreprises qui veulent l’entraîner davantage. Un modèle instruct a été ajusté pour suivre des demandes et tenir une conversation. Un modèle de raisonnement résout un problème étape par étape avant de répondre, ce qui prend plus de temps, mais améliore l’exactitude sur les questions difficiles.

Les modèles sont offerts sur Mistral AI Studio, Hugging Face, Amazon Bedrock, Azure Foundry et d’autres services.

Comment fonctionne Mistral Large 3

La plupart des robots conversationnels que vous avez utilisés reposent sur des modèles denses, où chaque paramètre participe à la production de chaque mot. Mistral Large 3 est un modèle à mélange d’experts clairsemé (sparse mixture-of-experts). Il contient de nombreux sous-réseaux plus petits, les « experts », et un mécanisme d’aiguillage qui envoie chaque jeton à quelques-uns d’entre eux seulement.

Pensez à une grande clinique qui compte des dizaines de spécialistes. Chaque patient voit les deux ou trois médecins qui correspondent à son problème, pas tout le personnel. La clinique réunit énormément d’expertise, et pourtant chaque visite reste rapide. De la même façon, Large 3 stocke 675 milliards de paramètres de connaissances, mais n’en utilise qu’environ 41 milliards pour chaque jeton, si bien qu’il répond beaucoup plus vite que sa taille totale ne le laisse croire.

Il reste gros. Mistral l’a entraîné à partir de zéro sur 3 000 processeurs graphiques NVIDIA H200 (des GPU, les puces qui font la plus grande partie du calcul en IA). En collaboration avec NVIDIA, Red Hat et le projet à code source ouvert vLLM, l’entreprise a aussi publié une version compressée qui tient sur un seul serveur muni de huit GPU A100 ou H100. Mistral avait utilisé l’architecture à mélange d’experts pour la dernière fois dans sa série Mixtral.

Mistral rapporte qu’après sa dernière phase d’entraînement, Large 3 égale les meilleurs modèles ouverts ajustés aux consignes sur les prompts généraux. Sur LMArena, un classement public où des gens votent entre des réponses anonymes, il est entré en deuxième place parmi les modèles ouverts qui ne raisonnent pas étape par étape, et en sixième place parmi tous les modèles ouverts. Des tests indépendants viendront compléter le portrait.

Les petits modèles, et un exemple concret

Les modèles Ministral 3 visent un autre problème : faire tourner une IA utile sur du matériel ordinaire. Guillaume Lample, cofondateur et directeur scientifique de Mistral, a déclaré à TechCrunch qu’un seul GPU suffit pour Ministral 3, qui peut donc s’installer sur un serveur de bureau, un ordinateur portable ou une machine située dans un endroit mal desservi.

Mistral insiste aussi sur l’efficacité. L’entreprise affirme que ses modèles instruct arrivent souvent à une réponse comparable avec beaucoup moins de jetons que des modèles semblables, et comme vous payez et attendez chaque jeton, une sortie plus courte signifie des coûts plus bas et des réponses plus rapides. Pour le travail où l’exactitude passe en premier, le modèle de raisonnement 14B obtient 85 % à l’AIME 2025, un concours de mathématiques américain difficile.

Voici le genre de travail qui convient à un petit modèle local : des documents confidentiels qui ne devraient jamais sortir de l’immeuble.

Tu es l’assistant d’un petit cabinet comptable. Lis la lettre du client
ci-dessous et donne-moi :
1. Un résumé en trois phrases, en langage simple.
2. Toutes les dates et échéances mentionnées, dans un tableau.
3. Toute question à laquelle nous devons répondre avant vendredi.
Réponds dans la même langue que la lettre.

[collez la lettre ici]

Comme le modèle tourne sur l’ordinateur du cabinet lui-même, la lettre n’est jamais envoyée à une entreprise externe.

Pourquoi c’est important

Mistral est petite à côté de ses rivales américaines. TechCrunch rapporte qu’elle a levé environ 2,7 milliards $ US, pour une valorisation de 13,7 milliards $ US, une fraction de ce qu’ont levé OpenAI et Anthropic. Son pari est que l’ouverture et l’efficacité peuvent rivaliser avec la taille brute.

Lample soutient que la plupart des tâches d’entreprise peuvent être confiées à de petits modèles une fois qu’ils ont subi un ajustement fin, c’est-à-dire un entraînement supplémentaire sur les propres exemples d’une entreprise. Les grands modèles fermés obtiennent peut-être de meilleurs résultats dès la sortie de la boîte, dit-il, mais de petits modèles personnalisés peuvent les égaler sur des tâches précises tout en coûtant moins cher et en allant plus vite. Il lie aussi ce lancement à l’accès : « Nous ne voulons pas que l’IA soit contrôlée par seulement quelques grands laboratoires. »

Pour les entreprises, des modèles qu’elles contrôlent signifient que les données restent à l’interne et que le travail ne s’arrête pas quand un service externe tombe en panne. Mistral construit aussi des modèles avec des partenaires pour des robots, des drones et des voitures.

Quel modèle Mistral 3 devriez-vous essayer en premier?

Pour la plupart des particuliers, commencez par Ministral 3 8B instruct. Il est assez petit pour de nombreux ordinateurs récents munis d’une carte graphique, comprend les images et s’acquitte bien de la rédaction, des résumés et de la traduction au quotidien. Si votre matériel est limité, essayez le modèle 3B; si vous avez un GPU puissant et des questions plus difficiles, passez au 14B, et choisissez sa version de raisonnement pour les mathématiques ou la logique.

Mistral Large 3 a du sens quand vous avez besoin d’une qualité de premier plan sur de longs documents, en programmation ou dans de nombreuses langues, et que vous disposez de matériel de classe serveur ou y accédez par un service infonuagique comme Mistral AI Studio ou Amazon Bedrock.

Quel que soit votre choix, testez-le sur vos propres tâches : gardez une courte liste de questions dont vous connaissez les réponses, et voyez comment chaque taille s’en tire avant de vous y fier.