Mistral: Ministral 3 14B 2512

Mistral: Ministral 3 14B 2512 es un modelo de generación de texto de Mistral, publicado el 2 de diciembre de 2025. Es el modelo más grande de la familia Ministral 3, y Mistral lo describe como una opción que ofrece capacidades de frontera y un rendimiento comparable a su contraparte más grande, Mistral Small 3.2 24B. Si ya trabajas con modelos Mistral, este se sitúa en la parte más pequeña y eficiente de su lineup, mientras apunta a niveles de capacidad que normalmente se asocian con hermanos mayores.

El modelo acepta texto e imágenes como entrada y devuelve texto. Su ventana de contexto es de 262,144 tokens, y la salida máxima es de 209,715 tokens, por lo que tanto las entradas largas como las generaciones largas son prácticas dentro de una sola solicitud. Como maneja entrada de imágenes junto con texto, puede trabajar en tareas que mezclan un prompt con una captura de pantalla, un diagrama, una foto o una página escaneada, siempre que la respuesta que necesites sea texto escrito.

Esas capacidades apuntan a un conjunto de usos bastante amplio. El contexto largo se adapta al trabajo sobre documentos grandes, bases de código, transcripciones o conjuntos de informes donde quieres que el modelo razone sobre todo el conjunto en lugar de hacerlo fragmento a fragmento. La entrada de imágenes lo hace adecuado para la comprensión de documentos, la extracción o el resumen de información a partir de capturas de pantalla y escaneos, y la respuesta a preguntas basadas en un elemento visual. El gran límite de salida ayuda cuando la respuesta en sí es larga, como un borrador completo, una extracción estructurada sobre muchos elementos o un análisis detallado. El tool calling y las salidas estructuradas lo hacen utilizable como el paso de razonamiento dentro de un agente o pipeline que necesita devolver resultados legibles por máquina.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "mistralai/ministral-14b-2512". Los parámetros de solicitud admitidos son frequency_penalty, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools y top_p. En la práctica, eso significa que puedes controlar el muestreo con temperature y top_p, desalentar o fomentar la repetición con los parámetros de penalización, limitar la respuesta con max_tokens, detener la generación en secuencias dadas y establecer una seed para ejecuciones más reproducibles. Para uso programático, response_format y structured_outputs te permiten solicitar salida con forma definida, mientras que tools y tool_choice permiten que el modelo llame a funciones que definas.

No hay ninguna restricción indicada en los hechos más allá de la división de modalidad: la entrada puede incluir imágenes, pero la salida es solo texto, así que este no es un modelo para generar imágenes. Si tu carga de trabajo es puramente texto y quieres la opción capaz más pequeña, una variante más pequeña de Ministral 3 puede encajar mejor, y si necesitas generación de imágenes en lugar de comprensión de imágenes, necesitarás un modelo completamente distinto.