Text & Reasoning
Mistral Large 4
Offenes multimodales MoE-Modell mit 1,05T Gesamtparametern, 52B aktiven Parametern und einem 1,6B Vision-Encoder.
Text & ReasoningMinistral 3 3B
Ministral 3 3B ist ein Sprachmodell von Mistral AI. Für die Auswahl zählen deine Aufgabe, die unterstützten Eingaben und der konkrete Zugang. Das Praxisbeispiel hilft dir, eine Antwort selbst zu prüfen.
Wie kannst du es nutzen?
Wenn du lokal arbeiten möchtest, prüfe zuerst Lizenz, passende Laufzeit und den Speicherbedarf deiner Modellvariante. Offene Gewichte allein sagen noch nicht, ob dein Rechner dafür ausreicht.
Aktuell im HerstellerkatalogQuellenstand 2026-10-13
Mistral AI im Verzeichnis
EingabeText, Bild
AusgabeText
Kontext256.000 Tokens
Technische Daten
Identität, Funktionen und Betrieb getrennt lesen. Die Angaben beziehen sich auf diese konkrete Version.
„Nicht bestätigt“ kennzeichnet eine offene Angabe. Es bedeutet weder „nicht vorhanden“ noch „unbegrenzt“.
| Hersteller | Mistral AI |
|---|---|
| Modellfamilie | Mistral · Ministral · Voxtral |
| Modell-/API-ID | ministral-3b-2512 |
| Status | Aktuell im Herstellerkatalog |
| Modellart | Text & Reasoning |
|---|---|
| Eingabe | Text, Bild |
| Ausgabe | Text |
| Kontext | 256.000 Tokens |
|---|---|
| Maximaler Output / Horizont | Nicht bestätigt |
| Bereitstellung | Offene Gewichte; API zusätzlich verfügbar |
|---|---|
| Gewichte | Offene Gewichte dokumentiert |
| Lizenz | Apache 2.0 |
Daten im Überblick
Input und Output sind getrennte Texttarife je einer Million Tokens. Preisstufen, Cache, Werkzeuge und weitere Bedingungen stehen im Kostenabschnitt. Kein Preis für eine konkrete Aufgabe.
- Text-Input / Mio. Tokens
- 0,1 USD
- Text-Output / Mio. Tokens
- 0,1 USD
Datenbasis: Herstellerangaben im Quellenstand 2026-10-13. Quellen zu diesem Profil ↓
Einsatz und Grenzen
Ministral 3 3B ist ein Text & Reasoning-Modell von Mistral AI. Eingabe: Text, Bild. Ausgabe: Text.
Wähle eine kleine Aufgabe mit einer überprüfbaren Lösung: etwa fünf Informationen aus einem gegebenen Dokument extrahieren. Prüfe die Antworten am Original, nicht nur die Formulierung.
Vor einem lokalen Test zuerst Gewichteformat, Lizenz, Arbeitsspeicher und unterstützte Runtime prüfen. Notiere die genaue Modellversion. Ein Kurzname in der API kann später auf einen anderen Modellstand verweisen. Der Auswahlguide für lokale KI-Modelle vertieft die Prüfung von Aufgabe, Gewichteformat, Speicher und Lizenz vor einem eigenen Versuch.
Lokaler Betrieb: Verfügbare Gewichte allein belegen nicht, dass dieses Modell auf deinem Rechner läuft. Speicherbedarf, Quantisierung, Kontext und unterstützte Hardware müssen zusammenpassen.
Leistung: Wir haben die Leistung dieses Modells hier nicht selbst gemessen. Nutze die Aufgabe unten, um es an deinen Anforderungen zu prüfen.
Was kostet Ministral 3 3B?
Bestätigter Tarif / Preisangabe0.1 / 0.1 USD je 1 Mio. Texttokens
Tarife und Zugang vor Nutzung in der Anbieterquelle prüfen.
Textkosten im Rechner schätzen →Zugang: Offene Gewichte; API zusätzlich verfügbar. Prüfe vor einer Integration die für dein Konto und deine Region verfügbaren Endpunkte. Ein Eintrag im öffentlichen Katalog ist keine Bestätigung eines freigeschalteten Kontos.
Praxis: Nullwerte und fehlende Termine unterscheiden
Praxisergänzung geprüft am 22. Oktober 2026 · eigene Aufgabe, kein Modellbenchmark
Ein kurzer Supporttext enthält bereits genug Stolperstellen: einen Bestand von null, eine normale Priorität und keinen Rückruftermin. Übertrage genau diese Angaben in feste Felder. So kannst du erkennen, ob das Modell still einen Termin ergänzt oder aus einer sachlichen Meldung einen dringenden Fall macht.
Vorbereitung
Mistral dokumentiert Ministral 3 3B Instruct für Text- und Bildaufgaben sowie strukturierte Ausgaben. Für diese reine Textprobe ist kein Bildkanal nötig. Wähle die Instruct-Variante und das passende Template; Base und Reasoning sind getrennte Checkpoints. Ein JSON-Schema beschreibt die Form der Antwort, überprüft aber nicht von selbst, ob die enthaltenen Werte mit der Vorlage übereinstimmen.
Halte die konkrete Modellversion und den Betriebsweg fest. Die Vorlage verwendet ausschließlich fiktive Daten.
Bearbeite die Aufgabe. Speichere den geforderten Prüfteil als antwort.json. Bei einer Offline-Abnahme erstellst du diese Datei selbst; sie ist dann keine Modellausgabe.
Vergleiche mit dem Soll und ändere anschließend einen Eingabefall. Prüfe die Begründung am Ausgangsmaterial, bevor du das Ergebnis übernimmst.
Aufgabe zum Kopieren
Die Angaben sind fiktiv. Speichere den geforderten JSON-Teil der Antwort separat als antwort.json; zusätzliche Erklärungen gehören in eine andere Datei.
Fiktive Meldung: "Ticket T-42. Im Fach B stehen 0 Ersatzteile. Priorität normal. Ein Rückruftermin ist noch nicht festgelegt." Übertrage nur diese Angaben. JSON: ticket (Text), fach (Text), bestand (Zahl), prioritaet (kleingeschrieben), rueckruftermin (null, wenn nicht festgelegt). Keine Bestellung oder Rückrufaktion ausführen.Vorlage herunterladenLokalen JSON-Prüfer herunterladen
Lösung und Prüfkriterien ansehen
- Der bekannte Bestand ist die Zahl 0, nicht null.
- Der Termin ist unbekannt und bleibt null.
- Die Meldung benennt keine dringende Priorität und autorisiert keine Folgeaktion.
{
"ticket": "T-42",
"fach": "B",
"bestand": 0,
"prioritaet": "normal",
"rueckruftermin": null
}Das Soll ist redaktionell aus der Vorlage abgeleitet, keine aufgezeichnete Modellantwort. Der lokale Prüfer vergleicht die festgelegten Felder und führt keinen generierten Code oder API-Aufruf aus. Er bewertet keine freien Begründungen.
Speichere Prüfer und deine Antwort im selben Ordner. Mit installiertem Python: python pruefen.py antwort.json.
| Beobachtung | Was du prüfst |
|---|---|
| Der Bestand ist null | Unterscheide eine bekannte Nullmenge von einer fehlenden Angabe. |
| Es erscheint ein morgiger Rückruf | Die Vorlage nennt keinen Termin; eine plausible Ergänzung wäre hier falsch. |
| Ein Auftrag wird erstellt | Eine Datenextraktion ist keine Freigabe für eine Bestellung. |
Passende Anleitungen
Für einen lokalen Ablauf erläutert der Guide strukturierte Antworten mit JSON-Schema prüfen.
Wie du den nächsten eigenen Versuch begrenzt, zeigt kleine KI-Aufgaben mit klaren Kriterien vorbereiten.
Gezielte Praxisergänzung auf Basis aktueller Herstellerunterlagen. Der Datenstand der bisherigen Modell-Faktentabellen bleibt separat ausgewiesen. Neue Beispiele und Grafiken sind eigene Erklärungen; es wurden keine Modellantworten oder Leistungswerte gemessen.
Herstellerunterlagen zur Ergänzung: Ministral 3 3B - Mistral AI | Mistral Docs (Abruf 2026-10-22) · Ministral 3 3B Instruct 2512 (Abruf 2026-10-22).
Quellen und Prüfstand
Quellenstand: 2026-10-13. Spezifikationen, Tarife und Zugang können sich ändern. Die Illustration zeigt den dokumentierten Datenweg, keine gemessene Leistung.
Häufige Fragen
Was ist Ministral 3 3B?
Ministral 3 3B ist ein Text & Reasoning-Modell von Mistral AI. Eingabe: Text, Bild. Ausgabe: Text. Hersteller: Mistral AI. Dokumentierte ID: ministral-3b-2512.
Was verarbeitet Ministral 3 3B?
Eingabe: Text, Bild. Ausgabe: Text. Maßgeblich sind die Funktionen des konkreten Endpunkts in der Herstellerquelle.
Kannst du Ministral 3 3B lokal betreiben?
Offene Gewichte sind dokumentiert. Die Lizenz Apache 2.0, unterstützte Runtime und benötigte Hardware musst du zusätzlich prüfen.
Was kostet Ministral 3 3B?
0.1 / 0.1 USD je 1 Mio. Texttokens. Tarife und Zugang vor Nutzung in der Anbieterquelle prüfen. Bei selbst betriebenen Gewichten kommen Hardware- und Betriebskosten hinzu.
Ist das ein Leistungstest oder eine Rangliste?
Nein. Das Profil dokumentiert Herstellerangaben mit Quellenstand 2026-10-13. Die Testidee ist redaktionell formuliert und wurde hier nicht ausgeführt; sie ist keine Qualitätsgarantie.
Wie groß ist das Kontextfenster von Ministral 3 3B?
Im dokumentierten Quellenstand: 256.000 Tokens. Beachte die Bedingungen der konkreten Modellversion und des verwendeten Endpunkts. Kontext ist keine Wortzahl und kein Nachweis, dass jede enthaltene Information zuverlässig verarbeitet wird.
Wie prüfst du Ministral 3 3B für deine Aufgabe?
Lege eine kleine Aufgabe mit bekanntem oder nachprüfbarem Ergebnis fest. Notiere Version, Eingabe und Einstellungen. Vergleiche die Ausgabe mit deinem Prüfkriterium und halte Fehler sowie tatsächliche Kosten getrennt fest. Die Testidee auf dieser Seite ist ein Vorschlag und wurde hier nicht als Modelltest ausgeführt.
Welche Ministral-Variante gehört zu diesem Beispiel?
Die Vorbereitung bezieht sich auf Ministral 3 3B Instruct. Die Base- und Reasoning-Checkpoints sind eigene Varianten und müssen gesondert eingerichtet werden.
Garantiert Structured Output die richtige Priorität?
Nein. Ein Schema kann die erlaubten Felder und Werte begrenzen. Die Übereinstimmung mit dem Ausgangstext musst du trotzdem prüfen.
Warum stehen hier sowohl 0 als auch null?
0 ist die ausdrücklich genannte Stückzahl. null kennzeichnet den nicht festgelegten Rückruftermin. Die beiden Werte haben unterschiedliche Bedeutungen.
Weitere Mistral AI-Modelle
Alle anzeigen →Text & Reasoning
Mistral Large 3
Mistral Large 3 ist ein Text & Reasoning-Modell von Mistral AI. Eingabe: Text, Bild. Ausgabe: Text.
Text & Reasoning
Mistral Medium 3.5
Mistral Medium 3.5 ist ein Text & Reasoning-Modell von Mistral AI. Eingabe: Text, Bild. Ausgabe: Text.