Mistral AI lanza Mistral 3 con modelos abiertos

Mistral AI presenta Mistral 3, una familia de modelos de inteligencia artificial abiertos que entiende texto e imágenes y funciona en más de 40 idiomas. La gama incluye modelos pequeños para ordenadores y dispositivos locales, además de un modelo de gran escala pensado para tareas empresariales y aplicaciones avanzadas.

Todos se publican bajo la licencia Apache 2.0, que permite usarlos, modificarlos y adaptarlos con pocas restricciones. Para desarrolladores y empresas, eso significa más control sobre sus sistemas y menos dependencia de una única plataforma cerrada.

Un modelo grande y tres opciones para equipos modestos

La pieza principal es Mistral Large 3, un modelo de tipo mixture of experts, o mezcla de expertos. Esta arquitectura no activa todos sus parámetros para cada tarea, sino solo los más relevantes, lo que puede reducir el coste de operación.

El modelo tiene 675.000 millones de parámetros en total, aunque activa unos 41.000 millones en cada respuesta. Mistral afirma que lo entrenó desde cero utilizando 3.000 GPU NVIDIA H200 y que, tras el ajuste para seguir instrucciones, alcanza un nivel similar al de los mejores modelos abiertos disponibles en consultas generales.

Mistral Large 3 también puede interpretar imágenes y está diseñado para conversaciones multilingües, especialmente en idiomas distintos del inglés y el chino. Según Mistral, debutó en el segundo puesto de la categoría de modelos abiertos sin razonamiento de LMArena y en el sexto puesto de su clasificación general de modelos abiertos.

La empresa publica tanto la versión base como la versión ajustada para instrucciones. Una variante especializada en razonamiento llegará más adelante.

Junto a Large 3 llega la serie Ministral 3, orientada a ejecutar IA en servidores más pequeños, ordenadores personales, teléfonos, robots y otros dispositivos. Incluye modelos de 3.000, 8.000 y 14.000 millones de parámetros.

Para cada tamaño hay versiones base, de instrucciones y de razonamiento. Todas pueden trabajar con texto e imágenes y se ofrecen bajo Apache 2.0.

Menos coste para tareas reales

El tamaño del modelo no es el único factor que encarece una aplicación. También importa cuántos tokens, las unidades en las que la IA procesa el texto, necesita generar para completar una tarea.

Mistral asegura que sus modelos Ministral 3 igualan o superan a modelos comparables y que, en algunos casos, producen hasta diez veces menos tokens. En la práctica, eso puede traducirse en respuestas más baratas y rápidas para funciones como:

• Resumir documentos en un ordenador local.
• Analizar imágenes sin enviar los datos a un servicio externo.
• Crear asistentes multilingües para una empresa.
• Ejecutar funciones de IA en robots, portátiles o dispositivos con recursos limitados.

Cuando la prioridad es la precisión, las variantes de razonamiento pueden dedicar más tiempo a resolver un problema antes de responder. Mistral afirma que su modelo de 14.000 millones de parámetros obtuvo un 85 % en AIME 2025, una prueba de matemáticas, aunque ese resultado corresponde a una evaluación concreta y no garantiza el mismo rendimiento en cualquier tarea.

Disponible en varias plataformas

Mistral 3 ya se ofrece a través de Mistral AI Studio, Amazon Bedrock, Azure Foundry, Hugging Face, Modal, IBM WatsonX, OpenRouter, Fireworks, Unsloth AI y Together AI. La compañía también anuncia soporte próximo para NVIDIA NIM y AWS SageMaker.

La infraestructura se ha desarrollado junto a NVIDIA, vLLM y Red Hat. Hay una versión comprimida en formato NVFP4 que permite ejecutar Mistral Large 3 en sistemas NVIDIA Blackwell NVL72 o en un nodo con ocho GPU A100 u ocho H100 mediante vLLM.

Para ti, el cambio más importante no es solo que exista otro modelo grande. Es que puedes elegir entre una IA potente para centros de datos y versiones mucho más pequeñas para ejecutar cerca de donde se generan los datos. Eso abre opciones para controlar costes, proteger información sensible y adaptar el modelo a necesidades específicas.

Mistral 3 refuerza la apuesta de la compañía por modelos abiertos capaces de competir con alternativas cerradas. Lo que habrá que vigilar ahora es cuánto de ese rendimiento se mantiene fuera de las pruebas de laboratorio y qué tan fácil resulta desplegar y mantener estos modelos en aplicaciones reales.