Ministral 3 3B
MODEL PROFILE模型资料Mistral · 2025-12-02 发布
Ministral 3 3B 是 Mistral 于 2025 年 12 月发布的小体量模型，面向预算极度敏感、需要大规模并发调用的开发者与产品团队；它适合承担分类、抽取、短文本生成等轻量任务，而非复杂推理或长链路工具调用。
模型介绍
Ministral 3 3B 属于 Mistral 的 Ministral 产品线，从命名可以看出它是该系列第 3 代、参数量 3B 量级的型号，官方定价为输入 0.1 美元/百万 tokens、输出 0.1 美元/百万 tokens，输入与输出同价。它要解决的是「把调用成本压到最低」这一类需求：在数据清洗、批量打标、短文本改写、意图识别等场景里，任务本身不复杂，但请求量极大，用中大模型跑并不经济。放在 Mistral 自家的价格梯度里看，它的单价比 Mistral Small 4 更低，而 Small 4 的第三方综合智能指数为 11.3、Mistral Large 3 为 9.3，本模型为 4.8，形成明显的「低价低分」组合。换句话说，它并不承担 Mistral 家族中的能力上限，定位是性价比与吞吐：把简单请求从贵模型上分流下来，或者在前置环节做粗筛。是否值得用，取决于能否把任务切到足够短、足够可校验的形态。
选型建议预算极度敏感、任务短且结果能自动校验时选它；需要多步推理、代码生成或工具调用链时，直接上 Mistral Small 4 及更高一档。
关键指标
适用场景
- 批量执行文本分类、情感判断与意图识别等短输出任务
- 在本地或边缘设备上跑轻量摘要、改写与纠错
- 为客服工单、表单录入做字段抽取与结构化转换
- 在数据清洗流程中做粗筛、打标与去重前的预判
- 作为大模型前置路由，先判断请求复杂度再决定是否升级
暂无：上下文窗口、最大输出、知识截止、开源权重、模型家族、许可证、参数规模、输入模态、缓存读价、缓存写价、推理、工具调用、结构化输出、附件、温度调节（上游未公开，本站不估算）。 发布 344 天。
规格与能力
上面没列到的字段Ministral 系列是 Mistral 面向轻量部署的一条产品线，3B 量级意味着对显存与算力的要求较低；官方对具体网络结构的披露有限。
- 系列定位作为 Ministral 家族的 3B 量级成员，走小参数、低延迟路线，用单位算力下更高的并发吞吐换取能力上限的让步。
- 结构细节公开资料较少，层数、注意力实现、训练数据构成均未在事实数据中给出，不宜按大模型规格做类比推断。
- 能力配置能力标签未标注，是否支持工具调用、多模态输入或长上下文，需以官方模型卡与接口文档为准。
能力
资料未标注
同系列其他规格
| 型号 | 厂商 | 参数 | 上下文 | 输入价 | 输出价 |
|---|---|---|---|---|---|
| Ministral 3 3B | Mistral | — | 131.1K | $0.1/M | $0.1/M |
| Ministral 3 3B | LowRouter | — | 262.1K | $0.1046/M | $0.1046/M |
| Ministral 3 3B | LowRouter | — | 262.1K | $0.1046/M | $0.1046/M |
| Ministral 3 3B | Amazon Bedrock | — | 256K | $0.1/M | $0.1/M |
| Ministral 3 3B Reasoning 2512 | Clarifai | — | 262.1K | $1.039/M | $0.5483/M |
| Ministral 3 3B 2512 | Mistral | — | 131.1K | $0.1/M | $0.1/M |
| Ministral 3 3B | Mistral | — | — | $0.1/M | $0.1/M |
性能表现
第三方跑分呈现的是一致偏低的能力画像，与它的低价定位互相印证：省下来的钱，换的是任务复杂度上的限制。
- 强项成本与延迟。输入输出同为 0.1 美元/百万 tokens，在高并发、短请求场景下单次调用成本极低，适合批量预处理而非一次成型。
- 短板综合能力。Artificial Analysis 口径下综合智能指数 4.8、编程指数 4.8，GPQA 35.8%、HLE 5.4%，低于同门 Small 4 的 11.3 与 Large 3 的 9.3。
- 任务边界TerminalBench v2.1 为 0.0%、Tau-Banking 4.7%、SciCode 15.3%，多步工具调用、终端操作与科学计算类任务明显不适合交给它。
- 适合形态输出短、结果可自动校验的任务最划算，例如打标、字段抽取、格式转换；一旦需要长推理链，成本优势会被重试次数吃掉。
跑分与榜单
第三方评测口径这些跑分分别测什么？（4 项口径说明）
| 基准 | 类别 | 说明 | 满分口径 | 前沿水平 | 状态 | 污染风险 |
|---|---|---|---|---|---|---|
| GPQA Diamond基准主页 | 知识 | Graduate-level Google-Proof Questions, Diamond subset. 198 expert-validated PhD-hard physics, chemistry, biology questions. | 0-100% accuracy | 96.3% (Artificial Analysis run) | 已饱和 | 低 |
| Humanity's Last Exam基准主页 | 知识 | Joint CAIS/Scale benchmark of expert-validated questions across 100+ disciplines, finalized in April 2025 at 2,500 public questions after bug-bounty and searchable items were replaced, with a private held-out set kept for overfitting checks. CAIS also maintains HLE-Rolling, a fork updated continuously from community feedback, and released a new version of it on 2026-09-17 that swapped some easier questions for harder held-out ones, so rolling snapshots do not compare with each other or with the static set. Vendors report it both with and without tools, and tool setups (search blocklists, fetch restrictions) vary, so check the configuration before comparing. | 0-100% accuracy | 74.3% (Artificial Analysis independent run on its 2,158-question text-only subset, pass@1; previous best 61.4%, Claude Opus 5.5 at max effort). Artificial Analysis now lists full HLE as a legacy evaluation, removed from its Intelligence Index in v5.0. Anthropic self-reports 74.2% with tools for the same model, a separate vendor series; the Scale Labs board had no Fable 5.2 row on 2026-11-09 and is still led by GPT-6 Astra at 54.80% | 仍在维护 | 低 |
| Terminal-Bench基准主页 | 编程 | Stanford / Anthropic agentic terminal-task benchmark. Each task gives the agent a goal and a sandboxed shell; success measured by deterministic post-condition. | 0-100% solved | 64.5% (1.0, legacy split) | 已停用 | 低 |
| Tau-Bench基准主页 | 智能体 | Sierra benchmark of customer-service agents. Tests realistic multi-turn tool-use with deterministic evaluators. Now at tau3: tau2 covers retail, airline, and telecom, while tau3 adds a banking knowledge-retrieval track and a real-time voice track, each ranked separately. | 0-100% pass@1 | 87.9% (tau2 text, 3-domain avg pass^1); the tau3 banking text track is led by Qwen3.8 Max at 55.2% pass^1 (Claude Opus 5 second at 48.7%), and the tau3 voice track by Ava Zero at 86.0% task completion, ahead of phonic-1 at 83.2% and gpt-live-1 at 79.9% | 仍在维护 | 低 |
说明文字来自公开基准注册表；「已饱和」表示前沿模型已接近上限、区分度下降，「污染风险高」表示该基准的题目可能已进入训练数据。
跑分来自第三方公开评测（Artificial Analysis 口径），榜位与用量来自 OpenRouter 公开榜单，只反映静态基准与实际调用份额，与本站的真实性、稳定性检测相互独立。
价格与性价比
结合各平台报价与同类对比0.1 美元/百万 tokens 的输入输出同价，是这款模型最核心的产品信息，也是它几乎全部购买理由的来源。
- 价格定位输入与输出均为 0.1 美元/百万 tokens，在 Mistral 家族中处于最低价位段，明显低于 Large 与 Medium 系列。
- 横向对比Mistral Small 4 输入 0.15、输出 0.6 美元/百万 tokens，输入价比本模型高 50%，但综合智能指数为 11.3，差价买的是能力。
- 平台差价本站暂未形成多平台比价样本，目前仅见 HowToken 报出与官方一致的 0.1 美元/百万 tokens，跨平台差价暂不构成选择依据。
- 省钱场景输出不溢价，意味着长输出、大批量生成的账单更可预测；把简单请求从 Large、Medium 系列分流到此处，是最直接的降本手段。
平台报价对比
1 个来源口径| 来源 | 输入价 | 输出价 | 缓存读 | 相对输入价 |
|---|---|---|---|---|
| HowToken | $0.1/M | $0.1/M | — | 0.0% |
同一个模型在不同网关的报价可能不同。本页基准取官方口径 $0.1/M / $0.1/M（输入 / 输出，美元 / 百万 tokens），其余来源的差价在「相对输入价」列列出，供比价参考。
同类模型对比
5 条| 模型 | 上下文 | 输入价 | 输出价 | 输入价差 | AA 综合 |
|---|---|---|---|---|---|
| Mistral Large 4 | 1.05M | $0.7/M | $2.1/M | +600.0% | 154.7 |
| Mistral Medium 3.5 | 262.1K | $1.5/M | $7.5/M | +1400.0% | 141.6 |
| Mistral Medium 3 | 131.1K | $0.4/M | $2/M | +300.0% | 132.8 |
| Mistral Nemo | 131.1K | $0.15/M | $0.15/M | +50.0% | 114.1 |
| Mistral Large 4 Preview | — | $0.7/M | $2.1/M | +600.0% | 25.3 |
取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价
关于 Ministral 3 3B 的常见问题
1 条Ministral 3 3B 的 API 价格是多少？
当前收录的官方口径价格为输入 $0.1/M、输出 $0.1/M，单位为美元 / 百万 tokens。不同网关可能有自己的加价与折扣，实际计费以调用平台为准。
使用注意
- 口径全部跑分来自 Artificial Analysis 第三方口径，只能原样引用，本站没有实测数据，也未覆盖中文场景下的表现。
- 边界上下文长度、模态支持、是否可微调等规格未在事实数据中给出，接入前需回查官方模型卡，不能按系列惯例推定。
资料说明
本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。
本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。
本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并，冲突时取优先级高的来源；价格单位为美元 / 百万 tokens。
