Pixtral-12B

Fiche modèle · Mistral AI · pixtral-12b-2409

A 12B parameter multimodal model with a 400M parameter vision encoder, capable of understanding both natural images and documents. Excels at multimodal tasks while maintaining strong text-only performance. Supports variable image sizes and multiple images in context.

Fiches modèles

Identité

Organisation	Mistral AI
Pays	—
Famille	—
Type	llm
Date de sortie	2024-09-17
Licence	apache 2.0
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	image\|text
Fenêtre de contexte	—
KV cache / token (Q8)	—
Paramètres totaux	12.4 B
Paramètres actifs (session)	12.4 B
Source des paramètres actifs	web : https://huggingface.co/mistralai/Pixtral-12B-2409
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	2026-05-07T16:53:32.515778Z
Mis à jour le	2026-11-04T06:04:57.216390Z
Source	LLM Stats
URL	https://llm-stats.com/models/pixtral-12b-2409

Tokens/tâche

IA Act — preuves fournisseur

ICA 12/100 · open source · seuil systémique inconnu

Critère	Note / 5	Poids
Documentation technique	2,5	5 %
Résumé des données d'entraînement	0,0	35 %
Conformité droit d'auteur	0,0	35 %
Code of Practice GPAI	2,5	20 %
Risque systémique	0,0	5 %

Curation : 2026-10-23.

IA Act

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	0.70
image_to_text	0.80
instruction_following	0.60
language	0.70
legal	0.70
math	0.60
multimodal	0.70
reasoning	0.70
roleplay	0.80
structured_output	0.60
finance	0.70
general	0.70
healthcare	0.60
code	0.70
communication	0.70
creativity	0.80
vision	0.70

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
chartqa	reasoning	0.82	1.00	0.82	non	oui	2026-11-04T06:04:57.219919Z
docvqa	vision	0.91	1.00	0.91	non	oui	2026-11-04T06:04:57.222978Z
humaneval	reasoning	0.72	1.00	0.72	non	oui	2026-11-04T06:04:57.226351Z
ifeval	chat	0.61	1.00	0.61	non	oui	2026-11-04T06:04:57.229720Z
math	math	0.48	1.00	0.48	non	oui	2026-11-04T06:04:57.232714Z
mathvista	math	0.58	1.00	0.58	non	oui	2026-11-04T06:04:57.239153Z
mm-if-eval	multimodal	0.53	1.00	0.53	non	oui	2026-11-04T06:04:57.242198Z
mm-mt-bench	chat	0.60	100.00	0.60	non	oui	2026-11-04T06:04:57.252957Z
mmlu	general	0.69	1.00	0.69	non	oui	2026-11-04T06:04:57.246146Z
mmmu	multimodal	0.53	1.00	0.53	non	oui	2026-11-04T06:04:57.257240Z
mt-bench	chat	0.77	100.00	0.77	non	oui	2026-11-04T06:04:57.260060Z
vqav2	vision	0.79	1.00	0.79	non	oui	2026-11-04T06:04:57.262988Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	265	—	-2.62	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