Mistral Small 3 24B Instruct

Fiche modèle · Mistral AI · mistral-small-24b-instruct-2501

Mistral Small 3 is a 24B-parameter LLM licensed under Apache-2.0. It focuses on low-latency, high-efficiency instruction following, maintaining performance comparable to larger models. It provides quick, accurate responses for conversational agents, function calling, and domain-specific fine-tuning. Suitable for local inference when quantized, it rivals models 2–3× its size while using significantly fewer compute resources.

Fiches modèles

Identité

OrganisationMistral AI
Pays—
Famille—
Typellm
Date de sortie2025-01-30
Licenceapache 2.0
Licence commercialeoui
Licence open sourceoui
Poids ouvertsoui
Auto-hébergement (DGX Spark)oui — ≤ 107 Md (Q8/FP8)
Modalitéstext
Fenêtre de contexte32 768
KV cache / token (Q8)81.9 ko/token
Paramètres totaux24 B
Paramètres actifs (session)23.6 B
Source des paramètres actifsactifs = total (modèle dense, config HF (mlx-community/Mistral-Small-24B-Instruct-2501-3bit)) ; total : config Hugging Face (mlx-community/Mistral-Small-24B-Instruct-2501-3bit)
Curation des paramètres actifs2026-11-04
Prix par session0.07 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)1.2 M
Tokens / tâche (Terminal-Bench)83.3 M (est.)
Ratio Terminal-Bench / Data Players69.4×
Coût / tâche (Terminal-Bench)0.55 $ (est.)
Tokens d'entraînement—
Coupure de connaissance2023-10-01
Créé le2026-05-07T16:53:32.389738Z
Mis à jour le2026-11-04T06:04:57.046884Z
SourceLLM Stats
URLhttps://llm-stats.com/models/mistral-small-24b-instruct-2501
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 « — ».

FournisseurSourceSouverainetéEntrée (/M tok)Sortie (/M tok)QuantificationContexteLatence (s)Débit (tok/s)Statut
DeepInfrallm-statsnon0.05 $0.08 $————active

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

Souveraineté

Scores par catégorie (top_scores)

CatégorieScore
chat0.80
instruction_following0.80
language0.70
legal0.70
math0.70
physics0.50
reasoning0.70
roleplay0.80
structured_output0.80
finance0.70
general0.70
healthcare0.70
biology0.50
chemistry0.50
code0.80
communication0.70
creativity0.90
writing0.90

Scores par benchmark

BenchmarkCatégorieScoreMaxNormalisé (API)VérifiéAuto-déclaréDaté du
arena-hardgeneral0.881.000.88nonoui2026-11-04T06:04:57.050276Z
gpqareasoning0.451.000.45nonoui2026-11-04T06:04:57.054888Z
humanevalreasoning0.851.000.85nonoui2026-11-04T06:04:57.058360Z
ifevalchat0.831.000.83nonoui2026-11-04T06:04:57.061360Z
mathmath0.711.000.71nonoui2026-11-04T06:04:57.065128Z
mmlu-prolanguage0.661.000.66nonoui2026-11-04T06:04:57.070430Z
mt-benchchat0.83100.000.83nonoui2026-11-04T06:04:57.073558Z
wild-benchgeneral0.521.000.52nonoui2026-11-04T06:04:57.076649Z

Classements

CatégorieRangScoreNote conservatriceBenchmarks évaluésMéthodeDaté duProvenance
code219—4.641trueskill2026-10-19model_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