GPT
הוספת כלי
M

Ministral-3-3B-Instruct-2512

קוד פתוח

mistralaiapache-2.02025-10-31

  • vllm
  • safetensors
  • mistral3
  • mistral-common
  • en

מודל קל משקל שמשלב עיבוד שפה וראייה ממוחשבת בחבילה של פחות מארבעה מיליארד פרמטרים. הוא מיועד לריצה מקומית על חומרה צנועה בלי לוותר על קריאה לפונקציות וחלון הקשר גדול.

  • 3.8Bפרמטרים
  • 262,144טוקנים בהקשר
  • 8.7 GBמשקל הקבצים
  • 302,951הורדות בחודש

מה זה

הארכיטקטורה מורכבת ממודל שפה של 3.4 מיליארד פרמטרים ומקודד ראייה נפרד של 0.4 מיליארד פרמטרים. השילוב הזה נותן מענה ישיר לניתוח תמונות לצד טקסט, כשהמשקלים מגיעים כבר מכווצים בפורמט FP8. חלון ההקשר עומד על 262,144 טוקנים, נתון חריג לגודל הזה, ומאפשר לקרוא קבצים ארוכים ולבצע חילוץ נתונים מורכב.

במבחני הביצועים הוא מציג תוצאות מעורבות ביחס לקטגוריה. בבדיקות הבנת הוראות של Arena Hard הוא קיבל ציון של 0.305, נמוך משמעותית ממתחרים כמו Qwen3-VL-4B שהגיע ל־0.438. לעומת זאת, במבחני WildBench הוא משתווה אליו עם ציון של 56.8, ובמבחן הראייה MM MTBench הוא מגיע ל־7.83 לעומת 8.01 של המתחרה. זה אומר שהוא יעיל מאוד במשימות ספציפיות, אבל פחות יציב בהוראות מורכבות ופתוחות.

מתאים ל

  • חילוץ נתונים מתמונות

    מקודד הראייה המובנה מאפשר תמלול מסמכים וזיהוי פריטים בתמונה על גבי מחשב מקומי פשוט.

  • סוכן מקומי להרצת פקודות

    התמיכה המובנית בקריאה לפונקציות ופלט JSON מתאימה לניתוב משימות מוגדרות במערכות פנימיות.

  • סיווג טקסטים מהיר

    הגודל הקומפקטי מאפשר עיבוד בקצב גבוה של בקשות טקסט פשוטות ללא צורך בחומרת שרתים יקרה.

איפה זה נופל

המודל רגיש מאוד ליחס התמונה, והיוצרים מציינים במפורש שיש לחתוך תמונות ליחס של 1:1 כדי למנוע עיוותים ופגיעה בביצועים. בנוסף, הוא מתקשה בהתמודדות עם יותר מדי כלים במקביל. מי שבונה סוכן אוטומטי יצטרך להגביל את כמות הפונקציות למינימום ההכרחי, ולעבוד בטמפרטורה נמוכה במיוחד של פחות מ־0.1 כדי למנוע פליטה של פלטים שגויים. עברית אינה מופיעה ברשימת השפות הנתמכות בכרטיס, ולכן נדרשת בדיקה יסודית לפני שמנסים להסתמך עליו בטקסטים מקומיים.

אותה משפחה

Ministral-3-3B-Instruct-2512 יצא ב־2 גרסאות שיש להן עמוד כאן. אלה האחרות, לפי כמה מורידים אותן.

mistralai/Ministral-3-3B-Instruct-2512-GGUF20,640

שאלות
נפוצות

האם המודל ירוץ על כרטיס מסך ביתי רגיל?

כן. הקבצים מגיעים כבר בפורמט FP8 ושוקלים כ־8.7 גיגה בייט, כך שכרטיס מסך עם שמונה גיגה בייט של זיכרון יכול להחזיק אותו. אם מגדילים את חלון ההקשר למקסימום, תידרש חומרה חזקה יותר כדי להחזיק את כל הנתונים בזיכרון.

האם הוא מתאים לניתוח מסמכים בעברית?

עברית לא מופיעה ברשימת השפות שהוגדרו רשמית על ידי היוצרים, הכוללת בעיקר שפות אירופיות, ערבית, סינית, יפנית וקוריאנית. מומלץ לבדוק את איכות התוצאות על מדגם קטן לפני שמשלבים אותו במערכת שמיועדת למשתמשים ישראלים.

איך מריצים

את המשקלים אפשר להריץ מקומית עם שמונה גיגה בייט של זיכרון גרפי, מה שמאפשר להעלות אותו על כרטיסי מסך ביתיים או שרתים זולים בענן. הפריסה הרשמית מתבצעת בעיקר דרך ספריית vLLM מגרסה 0.12.0 ומעלה, או באמצעות transformers ישירות מהמאגר הראשי. כדאי להגביל את אורך ההקשר בהגדרות ההרצה, כי ניצול של כל 256 אלף הטוקנים ידרוש זיכרון עבודה עצום שלא יתאים לחומרה בסיסית.

אם אתם צריכים רק שאילתות בודדות של זיהוי תמונה או שאין לכם כרטיס ייעודי, עדיף להשתמש בנקודת קצה מנוהלת דרך API. הריצה העצמאית משתלמת ברגע שרוצים עיבוד מקומי מלא ללא תלות ברשת, או כשיש צורך בסבבי שיחה רבים עם קריאות לפונקציות בפורמט JSON.

pip install -U huggingface_hub
hf download mistralai/Ministral-3-3B-Instruct-2512

הקבצים

13 קבצים במאגר, 8.7 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

הפרויקט מופץ תחת רישיון apache-2.0 מלא. מותר להשתמש בו, לשנות את הקוד, לאמן אותו מחדש ולשלב אותו במוצרים מסחריים או פרטיים בלי לשלם תמלוגים, בתנאי ששומרים על הודעת זכויות היוצרים המקורית.

  • שימוש מסחרי
  • שינוי הקוד
  • הפצה מחדש
  • שימוש בפטנטים

הרישיון המלא בעמוד המודל ↗