Mistral Small 3.1 24B Instruct

Fiche modèle · Mistral AI · mistral-small-3.1-24b-instruct-2503

Building upon Mistral Small 3 (2501), Mistral Small 3.1 (2503) adds state-of-the-art vision understanding and enhances long context capabilities up to 128k tokens without compromising text performance. With 24 billion parameters, this model achieves top-tier capabilities in both text and vision tasks.

Fiches modèles

Identité

Organisation	Mistral AI
Pays	—
Famille	—
Type	llm
Date de sortie	2025-03-17
Licence	apache 2.0
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	—
Fenêtre de contexte	131 072
KV cache / token (Q8)	81.9 ko/token
Paramètres totaux	24 B
Paramètres actifs (session)	24 B
Source des paramètres actifs	actifs = total (modèle dense, config HF (mistralai/Mistral-Small-3.1-24B-Instruct-2503)) ; total : config Hugging Face (mistralai/Mistral-Small-3.1-24B-Instruct-2503)
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	2026-05-07T16:53:32.438742Z
Mis à jour le	2026-11-04T06:04:57.116494Z
Source	LLM Stats
URL	https://llm-stats.com/models/mistral-small-3.1-24b-instruct-2503

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
language	0.70
legal	0.70
math	0.70
multimodal	0.60
physics	0.50
reasoning	0.60
factuality	0.10
finance	0.70
general	0.60
healthcare	0.70
biology	0.50
chemistry	0.50
code	0.90
vision	0.60

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
gpqa	reasoning	0.46	1.00	0.46	non	oui	2026-11-04T06:04:57.120082Z
humaneval	reasoning	0.88	1.00	0.88	non	oui	2026-11-04T06:04:57.123027Z
math	math	0.69	1.00	0.69	non	oui	2026-11-04T06:04:57.126206Z
mbpp	reasoning	0.75	100.00	0.75	non	oui	2026-11-04T06:04:57.129182Z
mmlu	general	0.81	1.00	0.81	non	oui	2026-11-04T06:04:57.132047Z
mmlu-pro	language	0.67	1.00	0.67	non	oui	2026-11-04T06:04:57.136191Z
mmmu	multimodal	0.59	1.00	0.59	non	oui	2026-11-04T06:04:57.139322Z
simpleqa	factuality	0.10	1.00	0.10	non	oui	2026-11-04T06:04:57.142528Z
triviaqa	general	0.81	1.00	0.81	non	oui	2026-11-04T06:04:57.146093Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	183	—	9.67	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