Ministral 8B Instruct

Fiche modèle · Mistral AI · ministral-8b-instruct-2410

The Ministral-8B-Instruct-2410 is an instruct fine-tuned model for local intelligence, on-device computing, and at-the-edge use cases, significantly outperforming existing models of similar size.

Fiches modèles

Identité

Organisation	Mistral AI
Pays	—
Famille	—
Type	llm
Date de sortie	2024-10-16
Licence	mistral research license
Licence commerciale	non
Licence open source	non
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	text
Fenêtre de contexte	32 768
KV cache / token (Q8)	73.7 ko/token
Paramètres totaux	8.02 B
Paramètres actifs (session)	8.02 B
Source des paramètres actifs	actifs = total (modèle dense, config HF (mistralai/Ministral-8B-Instruct-2410)) ; total : config Hugging Face (mistralai/Ministral-8B-Instruct-2410)
Curation des paramètres actifs	2026-11-04
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-05-07T16:53:32.188256Z
Mis à jour le	2026-11-04T06:04:56.325303Z
Source	LLM Stats
URL	https://llm-stats.com/models/ministral-8b-instruct-2410

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : partiel — auto-hébergement DGX Spark (≤ 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
chat	0.80
language	0.70
legal	0.60
math	0.60
reasoning	0.60
roleplay	0.80
finance	0.70
general	0.60
healthcare	0.70
code	0.30
communication	0.80
creativity	0.80
writing	0.70

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
agieval	reasoning	0.48	1.00	0.48	non	oui	2026-11-04T06:04:56.332393Z
arc-c	reasoning	0.72	1.00	0.72	non	oui	2026-11-04T06:04:56.343441Z
arena-hard	general	0.71	1.00	0.71	non	oui	2026-11-04T06:04:56.353120Z
french-mmlu	general	0.57	1.00	0.57	non	oui	2026-11-04T06:04:56.358757Z
humaneval	reasoning	0.35	1.00	0.35	non	oui	2026-11-04T06:04:56.363911Z
math	math	0.55	1.00	0.55	non	oui	2026-11-04T06:04:56.368323Z
mbpp-pass@1	reasoning	0.70	1.00	0.70	non	oui	2026-11-04T06:04:56.375946Z
mmlu	general	0.65	1.00	0.65	non	oui	2026-11-04T06:04:56.379902Z
mt-bench	chat	0.83	100.00	0.83	non	oui	2026-11-04T06:04:56.388027Z
triviaqa	general	0.66	1.00	0.66	non	oui	2026-11-04T06:04:56.393205Z
winogrande	reasoning	0.75	1.00	0.75	non	oui	2026-11-04T06:04:56.403414Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	282	—	-14.48	1	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04