L'arène · test de modèle IA
Mistral Large 3
par Mistral AI
Fleuron MoE de 675B à poids ouverts (41B actifs) avec contexte 256K, entrée vision et tarif de $0.50/$1.50 par million.
$1.50/1M out
Palier API unique sur La Plateforme ($0.50 en entrée / $1.50 en sortie par million de tokens), avec une remise de 50 % via l'API batch ; les poids Apache 2.0 permettent l'auto-hébergement gratuit, et les prix des hébergeurs tiers peuvent différer.
Mistral AI
256K tokens
$0.50/1M in
$1.50/1M out
text, vision (image input), text output
Oui
Qu'est-ce que Mistral Large 3 ?
Vaisseau amiral à poids ouverts de Mistral AI publié le 2 décembre 2025 : un modèle à mélange d'experts sparse de 675B de paramètres au total et 41B actifs, contexte de 256K, entrée texte et image sous Apache 2.0. Tarifé à $0.50/$1.50 par million de tokens sur La Plateforme, il a débuté #2 des modèles open source sans raisonnement sur LMArena.
Mistral Large 3 : points forts et points faibles
Points forts
- Poids ouverts Apache 2.0 avec déploiement sur un seul nœud via quantification FP8/NVFP4, malgré 675B de paramètres au total
- Fenêtre de contexte de 256K, dans le haut du panier des modèles à poids ouverts, bien adaptée au RAG sur longs documents
- Prix de vaisseau amiral agressif à $0.50 en entrée / $1.50 en sortie par million de tokens, environ 3-4x moins cher que les fleurons propriétaires occidentaux
- A débuté #2 des modèles open source sans raisonnement sur LMArena (Elo ~1418)
- Multimodalité native (encodeur vision de 2,5B de paramètres) et 40+ langues natives
- Les développeurs sur HN saluent son formatage strict, son suivi d'instructions et sa fiabilité en production
Points faibles
- Raisonnement profond faible : GPQA Diamond ~44 % contre les 70+ % hauts de DeepSeek V3.2 et Kimi K2 Thinking ; pas de variante de raisonnement au lancement
- Derrière GLM-4.6, Kimi K2 et DeepSeek sur les benchmarks de codage modernes (LiveCodeBench v6 moyen) ; les développeurs de HN le placent dans une « catégorie de poids » inférieure à Gemini 3, GPT-5.1 et Claude Opus 4.5
- Enclin aux hallucinations en QA factuelle (SimpleQA ~24 %) avec un réglage d'abstention faible
- Vitesse de sortie mesurée à ~49 tokens/s sur Artificial Analysis, sous la médiane de ~58 tokens/s des modèles comparables
- Critique sur HN : l'architecture calque de près DeepSeek V3, ce qui interroge sur l'originalité de la R&D
Le verdict de l'arène
Choisissez Mistral Large 3 si vous voulez un vaisseau amiral à poids ouverts et sous gouvernance européenne pour le RAG multilingue, le travail sur longs documents ou les déploiements auto-hébergés : face à Mistral Large 2 (dense 123B, licence de recherche restrictive, API à $2/$6), c'est une nette amélioration en contexte, multimodalité, licence et coût. Évitez-le comme moteur principal de codage ou de raisonnement profond ; DeepSeek V3.2, GLM-4.6 ou les modèles frontière propriétaires y scorent nettement plus haut. Traitez-le comme un cheval de trait bon marché et fiable plutôt que comme un performeur frontière.
Pouce levé ou pouce baissé
Rendez votre verdict
Recommanderiez-vous Mistral Large 3, ou mettriez-vous la foule en garde ?
Meilleures alternatives à Mistral Large 3
Toutes les alternativesLe modèle le plus rapide d'Anthropic : environ 90 % du niveau de codage de Sonnet 4.5 à $1/$5 par million de tokens, contexte 200K.
L'Opus d'Anthropic d'avril 2026 : 87,6 % sur SWE-bench Verified, contexte 1M, vision haute résolution, désormais derrière Opus 4.8
Le modèle phare de niveau Opus d'Anthropic pour le codage agentique de longue haleine ; contexte 1M à $5/$25 par million de tokens.
Comparez Mistral Large 3 en face-à-face
Mistral Large 3 : questions fréquentes
Combien coûte Mistral Large 3 par million de tokens ?
Mistral Large 3 coûte $0.50/1M in par million de tokens en entrée et $1.50/1M out par million de tokens en sortie. Palier API unique sur La Plateforme ($0.50 en entrée / $1.50 en sortie par million de tokens), avec une remise de 50 % via l'API batch ; les poids Apache 2.0 permettent l'auto-hébergement gratuit, et les prix des hébergeurs tiers peuvent différer.