Mistral Large 3
Une option solide pour l'auto-hébergement et le contrôle total des données.
Présentation
Mistral Large 3 est LE modèle de référence pour les usages européens souverains : hébergement en France, conformité RGPD complète, équipe française. Sa qualité en français est excellente (au niveau de Claude). Performances solides sur le code et le raisonnement, légèrement en retrait des frontiers américains les plus chers, mais à un prix bien inférieur.
Profil de compétences
Trois mesures indépendantes
Ce que les gens préfèrent, ce que le modèle sait faire, ce que le marché utilise. Chaque source a ses biais, aucune ne suffit seule : nous les affichons séparément, sans les mélanger.
Que signifient ces scores ?
Questions scientifiques de niveau doctorat (physique, chimie, biologie), sans accès à des outils.
Résolution de vrais tickets GitHub en conditions réelles (SWE-bench Verified).
Problèmes mathématiques de niveau compétition.
Connaissances générales réparties sur des dizaines de matières académiques.
Génération de code Python à partir de spécifications.
Forces
- Excellent en code
- Très bonne qualité en français
- Top mondial sur Arena
- Dispose d'un tier gratuit
À qui ça s'adresse
- vous voulez maîtriser vos coûts ou auto-héberger
- vous travaillez en français
- vos données doivent rester en UE
Cas d'usage idéaux
- Apps européennes RGPD-compliant
- Multilingue européen
- Apps françaises
- Enterprise EU
Accès & disponibilité
Caractéristiques clés
Combien ça coûte par mois
Estimation à partir des prix API sourcés et d’un palier matériel pour l’auto-hébergement. Hypothèses modifiables.
Hypothèses : 36 mois d’amortissement, 0.25 €/kWh, 22 jours/mois, conversion 1 $ = 0.92 €. Hors main-d’œuvre, hors licences logicielles, hors redondance.
nAIvigate Trust Index
Ce que l’éditeur offre et documente pour un usage professionnel en Europe. Un critère non documenté vaut zéro et reste visible : le score monte quand l’éditeur publie, pas quand nous supposons.
19/19 critères documentés · 100 % · dont 12 posés par règle
Voir les critères▾
Badge Trust Index
Affichez ce score dans votre documentation, votre README ou votre page sécurité. Il se met à jour automatiquement.
[](https://naivigate.com/fr/model/mistral-large-3)Données & conformité
Ce que nous savons, ligne par ligne, avec la source et la date. Ces lignes alimentent les familles Données et Entreprise du Trust Index ci-dessus. La conformité RGPD dépend de votre traitement, pas du modèle seul.
| Résidence des données en UE | Oui |
| Accord de traitement (DPA) | Sans objet· auto-hébergé : les données ne sortent pas |
| Transfert hors UE | Non |
| Entraînement sur vos données | Non |
| Rétention configurable | Sans objet· auto-hébergé : les données ne sortent pas |
| Zero Data Retention | Sans objet· auto-hébergé : les données ne sortent pas |
| Auto-hébergeable | Oui |
| Hébergement déclaré | EU |
| Données anonymisables | Oui |
Qualité des données de la fiche
Ce score mesure la qualité des données de cette fiche : prix, contexte, Elo, licence, documentés, sourcés et récents. Il ne mesure ni le modèle ni sa conformité : pour cela, voir le Trust Index plus haut.
8/8 documentées · 4/8 sources primaires
Faire tourner en local
| Quantization | Disque | RAM / VRAM | Matériel type |
|---|---|---|---|
| Q4 · recommandé | 384.7 Go | 425 Go | Infra GPU serveur (H100/A100…) |
| Q8 · équilibré | 722.2 Go | 796 Go | Infra GPU serveur (H100/A100…) |
| FP16 · qualité max | 1350 Go | 1487 Go | Infra GPU serveur (H100/A100…) |
Estimations pour un contexte modéré. Un long contexte augmente la RAM nécessaire (KV cache).
Déployer
Commandes prêtes à copier, générées depuis la fiche. Ajustez le contexte et le nombre de GPU à votre machine.
Serveur OpenAI-compatible pour la production sur GPU NVIDIA.
pip install vllm
vllm serve mistralai/Mistral-Large-3-675B-Instruct-2512 \
--max-model-len 32768 \
--tensor-parallel-size 2 \
--dtype autoDonnées avancées · pour expertsArchitecture, modalités, coût détaillé, benchmarks complets▾
| Arena Elo | 1414 |
| MMLU | 84.5% |
| GPQA | 64.0% |
| HumanEval | 88.0% |
| SWE-Bench | 50.0% |
| MATH | 84.0% |