这正是 Mistral AI 押注的故事线：体量小、开放权重的模型，可在领域数据上进行微调，并能高效规模化运行。
为此，Mistral 本周发布了 Mistral 3，我认为这在很大程度上朝着这个目标迈进。首先，模型本身颇有看点：旗舰款 Mistral Large 3 在重要基准测试中优于其开源对手 Kimi-K2 和 Deepseek-3.1。其次，Mistral 正在让其产品线更加清晰。要知道，这是 Mistral AI 首次发布完整的模型家族。（今年早些时候推出的 Medium 3，单从名称并不直观地看出它应当优于去年发布的 Large 2。）
什么是 Mistral 3？
Mistral 3 是 Mistral AI 最新一代在统一架构与特性之上构建的模型。Mistral 不再发布一次性的单独变体，而是转向统一的家族：每个模型都支持多语言提示、多模态输入，并具备相同的核心能力。其理念是无论开发者选择何种模型规模，都能获得一致的基线体验。
A customer sent the attached error message screenshot showing an error in Arabic.
Please:
1. Read and translate the error message from the screenshot
2. Write a troubleshooting guide in English for our support team (3-4 steps)
3. Translate that solution back to Levantine Arabic in a natural, conversational way the customer would understand技术支持
Write a Python function that takes a list of timestops (ISO format) and returns time gaps between each consecutive time gap in minutes. Make the function safe against invalid entries.技术支持
Large 3 返回了一个简短、易读的函数，具备合理的错误处理并对输入进行排序。在我的测试中，解决方案紧凑，输出专注。根据提示与任务不同，这有助于将标记使用量维持在较低水平。
开发者可在 Mistral AI Studio、Amazon Bedrock、Azure Foundry、Hugging Face、IBM WatsonX、Modal、OpenRouter、Fireworks、Unsloth AI 与 Together AI 上使用 Mistral 3 模型。对 NVIDIA NIM 与 AWS SageMaker 的支持即将推出。
Mistral 3 如何实现高效性能？⌄
这些模型在 NVIDIA Hopper GPU 上训练，并与 NVIDIA、vLLM 与 Red Hat 合作优化。诸如低精度执行、Blackwell 注意力内核、投机解码与 NVFP4 检查点等特性，使其能够在从大型 GPU 集群到笔记本电脑与边缘设备的系统上高效推理。
在 Mistral 3 的语境中，“开放权重”意味着什么？⌄
“开放权重”指模型参数完全公开，任何人都可以下载、检查、运行、微调与部署。这与闭源权重系统相对，后者只能通过 API 访问模型，无法查看或修改底层权重。
许多企业工作负载可能并不需要前沿级的大模型，他们真正需要的是针对特定任务的快速、具成本效益的推理。我想到的场景包括客户支持分流、文档分类、代码补全等。
这正是 Mistral AI 押注的故事线：体量小、开放权重的模型，可在领域数据上进行微调，并能高效规模化运行。
为此，Mistral 本周发布了 Mistral 3，我认为这在很大程度上朝着这个目标迈进。首先，模型本身颇有看点：旗舰款 Mistral Large 3 在重要基准测试中优于其开源对手 Kimi-K2 和 Deepseek-3.1。其次，Mistral 正在让其产品线更加清晰。要知道，这是 Mistral AI 首次发布完整的模型家族。（今年早些时候推出的 Medium 3，单从名称并不直观地看出它应当优于去年发布的 Large 2。）
什么是 Mistral 3？
Mistral 3 是 Mistral AI 最新一代在统一架构与特性之上构建的模型。Mistral 不再发布一次性的单独变体，而是转向统一的家族：每个模型都支持多语言提示、多模态输入，并具备相同的核心能力。其理念是无论开发者选择何种模型规模，都能获得一致的基线体验。
这一代还着重提升了推理能力、效率与实用性。无论您是在云端做测试，还是在构建需要更快推理的应用，Mistral 3 都提供了更清晰、更可预期的基础。
模型家族一览
前文提到，Mistral 3 实际上是一个模型家族。共四个模型，分别面向不同的约束条件、推理深度、硬件限制、时延与部署环境。需要指出的是，其中有一款与众不同：Large 3 面向截然不同的工作负载，而较小的档位则更注重实用性与部署灵活性。
Mistral Large 3
Mistral Large 3 是本代的旗舰模型。它采用稀疏 MoE 架构，共有 6750 亿参数，其中约 410 亿在推理时处于激活状态，自然对硬件要求更高。该模型面向依赖强推理、长上下文处理与稳定输出质量的工作负载。在开源评测中表现不俗，包括在 LMArena 的非推理榜单上取得领先成绩。标记效率良好，但计算成本也反映了其规模。
Ministral 14B
这是家族中最强的致密模型。当您希望具备真实能力、又不想涉足多 GPU 集群时，这是不错的选择。它可在单机高端 GPU 配置上流畅运行（若想更有余量，使用四块 GPU），并在 AIME ’25 等任务上拿到较高分数。输出质量与标记效率的平衡，使其成为想要“聪明推理而无需 MoE 级硬件”的团队的务实中间档。您可以阅读我们关于 微调 Ministral 3 的教程。
Ministral 8B
我把 8B 看作主力机型。它快速、可预期、成本低，覆盖广泛的生产场景：对话系统、内部工具、自动化流程与 RAG 应用。它在深度推理上不及 Large 3 或 14B，但其性价比在家族中最强。标记使用量保持较低，输出也连贯。
Ministral 3B
这是最小的模型，几乎可以在任何地方运行。它是致密、轻量的，能在 CPU、移动设备或 IoT 硬件上舒适运行。需要复杂推理时您不会选它，但它非常适合离线应用、分流任务、轻量分类器，以及需要即时响应的助手。标记效率出色。
四款模型均采用 Apache 2.0 许可，支持图像+文本多模态，并覆盖多种语言。由于模型行为一致，您可以自由放大或缩小规模，而无需重新摸索“脾气”。
模型对比表
下表是模型的一览对比：
如表中所示，Mistral Large 3 使用稀疏 MoE 架构，在 6750 亿总参数中有 410 亿处于激活状态。基本思路是：模型包含多个专门的“专家”网络；对每个 token 或任务，它只选择性地通过部分专家进行路由，而非动用全部参数。
Ministral 系列均为致密架构，意味着每次推理都会激活全部参数。
细看表中的硬件要求，您会看到模型规模与部署灵活性之间的清晰权衡：Mistral Large 3 需要 8 张高端 GPU，而 Ministral 3B 则可在消费级 CPU/移动端运行。
试用 Mistral 3
我将测试重点放在 Large 3。作为旗舰，它既是最强的模型，也是最多人会用到的模型。
测试 1：多模态 + 多语言
第一项测试中，我给 Mistral 3 Large 一张阿拉伯语截图，并附上如下提示词。
在这个场景里，客户在描述卫星天线的问题。他们说重新安装或重新定位了天线，但运行不正常，导致网络连接中断。
首先，Large 3 给出了译文，我有点担心方向跑偏。即便不懂阿拉伯语，也能看出英文版有些不对劲。
尽管 Mistral 对问题的部分内容产生了误译，但其给客户的指引（更有用的部分）却是合理的。阿拉伯语的第 1-3 条读起来不错（这一点我请了人工校对），但第 4 点出现了一个错误，把“技术支持”写成了“艺术支持”。
让我印象深刻的是，Mistral 能够忠实呈现我要求的阿拉伯语方言，明显是黎凡特口音。
测试 2：真实世界的编码任务
接着，我给了一个小而真实的编码任务：
Large 3 返回了一个简短、易读的函数，具备合理的错误处理并对输入进行排序。在我的测试中，解决方案紧凑，输出专注。根据提示与任务不同，这有助于将标记使用量维持在较低水平。
测试 3：推理挑战
为了在不切换到专用模式的情况下检验多步推理，我用了一个经典谜题：
后续关于错误标注水果箱的逻辑谜题也被干净利落地解出，没有跑题。
Mistral 3 基准测试
基准并非一切，但有助于给模型定位。Mistral 主要将 Large 3 与开源同类进行对比，如 DeepSeek-3.1 与 Kimi-K2，这与其 Apache 2.0 许可相契合。
Large 3 在推理、GSM8K、AIME 和编码评测中表现良好。它目前还是 LMArena 榜单上的开源编码模型第一名。早期 SWE-Bench 结果显示，它在解决软件工程任务上的表现可与其他高容量的致密与 MoE 系统一较高下。Ministral 系列相对于其规模也占据了不错的位置。
Mistral 3 与竞品对比
Mistral 的对比中明显缺席的是 11 月下旬发布的前沿模型：Gemini 3 Pro（GPQA Diamond 得分 91.9%，LMArena Elo 1501）、GPT-5.1，以及 Claude Opus 4.5（在 SWE-bench Verified 上超过 80%）。把 Large 3 与这些模型放在一起看，专有系统在最难的推理基准与复杂的智能体任务上仍有优势。这是事实。但对于许多实际工作负载，尤其考虑到可自托管、可微调、且无需供应商绑定，Large 3 的表现已颇具竞争力。
Mistral 3 有多强？
Mistral 3 对开源生态是一次强劲发布。其标记效率、多语言深度与长上下文处理的结合，颇具意义。这是在此前未曾见过的规模上兼顾能力与开放性。Large 3 的水平逼近顶级专有系统，同时仍是一个您可以下载、检查并按需部署的模型。
若要控制预期，更复杂的推理任务与智能体能力是需要留意的点。Large 3 表现不错，但如 Opus 4.5 与 GPT 5.1 这类模型在长链推理上的一致性更胜一筹。
如何获取 Mistral 3？
根据您的使用计划，有几种方式可以开始。
如果只是想试用，托管 API 是最简单的途径。四个档位——Large 3、14B、8B 与 3B——都可通过标准 API 密钥使用。按标记计费，这是测试推理能力、多模态提示或多语言任务的最快方式。
如果您偏好完全掌控，开放权重可供下载。Mistral 称其为“最佳宽松许可的开放权重模型”，含义是：
Large 3 需要强劲硬件，但 Ministral 系列可顺畅下探。若您想在不同后端间试验、又不想自建机器，也可使用合作平台。
Mistral 3 的应用场景
文中我提到了几个用例，但现在想进一步谈谈团队在实践中如何使用各个档位。Mistral 的管理层坚信，大多数企业可以通过可微调的小型开放权重模型完成许多工作。
我设想某对冲基金分析师上传 50 份财报电话会议实录，要求 Mistral Large 3 标记哪些管理层在指引上有所保留，或其语气在不同季度间发生转变。256k 的上下文窗口可以不分段地容纳完整实录加上 10-K（年度财务文件）。若您身处一家欧洲投资机构，Mistral 也能轻松处理法语、德语、意大利语（或阿拉伯语，如我们所试）。
如果这听起来有些遥远，也许不必，因为汇丰本周刚刚宣布与 Mistral 达成合作。
结语
Mistral 3 终于为 Mistral 带来了一致的结构与可在不同约束下自然扩展的模型。Large 3 可与主流专有系统掰手腕，而 Ministral 系列则让您能轻松选择匹配硬件与时延需求的档位。
若您计划尝试，托管 API 是最快的起点。若想本地构建或自托管，下载权重即可实现完全掌控。
如果您好奇像 Mistral 这样的模型在底层如何工作，我们的 大型语言模型概念 课程会很有帮助；若您要将 Mistral 接入应用，Python API 基础 有助于实践层面的掌握。