Ministral-3B-2512 评测：3B 多模态边缘，256K+视觉，但能力有限

查看模型详情 →

结论：谨慎

优点

✓ Apache-2.0 开源可商用，权重开放
✓ 3B 极小：BF16 约 16GB，量化可低于 8GB，消费级硬件友好
✓ 256K 超大上下文 + 原生多模态（3.4B 语言 + 0.4B 视觉编码器）
✓ 3B 级 benchmark 有竞争力：Instruct Arena Hard 0.305、WildBench 56.8、MATH 0.830（官方）

缺点

✗ 3B 复杂推理/多模态精细任务弱（空间变换/表格识别错误率高）
✗ Arena Hard 0.305 与同系列 8B（0.509）/14B（0.551）差距大
✗ 中文无独立专项 benchmark，公开资料未明确
✗ 3B 独立第三方深度评测少（社区多集中 8B）

适合场景：边缘/低资源本地离线部署（笔记本、树莓派类）、轻量实时应用（图像字幕、文本分类、实时翻译、短内容生成）、数据隐私严格的私有化场景（本地推理不联网）、可微调基础模型（Base）用于垂直领域定制

本文基于公开资料综述（智谱 / Kimi / DeepSeek 3 家 AI 采集交叉，2026-07-21），非实机测试。

① 公开证据综合

Mistral AI 2025-12 发布 Ministral-3-3B-Instruct-2512（Ministral 3 系列最小成员），Dense 架构，约 3.4B 语言 + 0.4B 视觉编码器（多模态），Apache-2.0。3B 级有竞争力：Instruct Arena Hard 0.305、WildBench 56.8、MATH 0.830、MM-MTBench 7.83；Reasoning AIME25 0.721、GPQA 0.534（官方，独立验证少）。256K 上下文 + 多模态（文本+视觉）。

短板：3B 复杂推理/多模态精细弱（空间/表格错误率高）；Arena Hard 0.305 远低于 8B/14B；中文无独立 benchmark；3B 独立评测少（社区多 8B）。

② 与同类模型横评

vs 同系列 8B/14B：3B benchmark 差距明显（Arena Hard 0.305 vs 8B 0.509 / 14B 0.551）
vs Qwen3-VL-4B-Thinking：互有胜负；落后 Qwen3-VL-8B 和 Gemma3-12B
社区实测 Ministral 8B 多模态（OCR/表格/空间）不如 Qwen3-VL-8B，3B 推断更弱

③ 本地部署建议与 verdict

能否本地跑？能。 BF16 约 16GB；量化（FP8/INT4）可低于 8GB。消费级 GPU（RTX 3060/4060 12GB+）或 Apple Silicon（M1/M2/M3，MLX 格式）。token/s、TTFT 待实机验证。

Verdict：caution（有条件推荐）。 Apache-2.0 + 明确本地规格 + 3B 可接受性能，填补”极小规模多模态可商用”空白。但 3B 能力边界明确（复杂推理/多模态精细弱 + 中文无证据 + 独立评测少）——边缘计算优秀选择，非精度优先场景最佳解。部署前据硬件选量化 + 目标任务（尤其中文/多模态复杂）小规模实测。