Mistral Large 3 (675B Instruct 2512 Eagle)

Fiche modèle · Mistral AI · mistral-large-3-675B-instruct-2512-eagle

Mistral Large 3 (675B Instruct 2512 Eagle) is a state-of-the-art general-purpose Multimodal granular Mixture-of-Experts model with 41B active parameters and 675B total parameters trained from scratch with 3000 H200s. This model is the base pre-trained version, not fine-tuned for instruction or reasoning tasks, making it ideal for custom post-training processes. Designed for reliability and long-context comprehension - It is engineered for production-grade assistants, retrieval-augmented systems, scientific workloads, and complex enterprise workflows. This model is the Eagle speculator for Mistral Large 3 Instruct. Depending on the task, you can expect noticeable speed-ups on your generations.

Fiches modèles

Identité

Organisation	Mistral AI
Pays	—
Famille	—
Type	llm
Date de sortie	2025-12-04
Licence	apache 2.0
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 675 Md > 107 Md
Modalités	—
Fenêtre de contexte	256 000
KV cache / token (Q8)	—
Paramètres totaux	675 B
Paramètres actifs (session)	41 B
Source des paramètres actifs	web : https://docs.mistral.ai/models/mistral-large-3-25-12
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	2026-05-07T16:53:32.263652Z
Mis à jour le	2026-11-04T06:04:56.545179Z
Source	LLM Stats
URL	https://llm-stats.com/models/mistral-large-3-675B-instruct-2512-eagle

Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : non — hors 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
language	0.90
math	0.70
physics	0.40
reasoning	0.50
factuality	0.20
general	0.50
biology	0.40
chemistry	0.40
code	0.30

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
amc-2022-23	math	0.52	1.00	0.52	non	oui	2026-11-04T06:04:56.569434Z
gpqa	reasoning	0.44	1.00	0.44	non	oui	2026-11-04T06:04:56.559606Z
livecodebench	reasoning	0.34	1.00	0.34	non	oui	2026-11-04T06:04:56.573164Z
mmmlu	language	0.85	1.00	0.85	non	oui	2026-11-04T06:04:56.553553Z
simpleqa	factuality	0.24	1.00	0.24	non	oui	2026-11-04T06:04:56.563045Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	248	—	1.11	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