Mistral 7B Instruct v0.3

Fiche de référence du modèle Mistral 7B Instruct v0.3 publié par Mistral AI : 7 milliards de paramètres, licence Apache 2.0, appel de fonctions.

Spezifikationen

Hardware-Anforderungen

Nutzung und Sprachen

Sprachen : Englisch, Französisch

Chat-Template : mistral

Vorgesehene Einsatzzwecke

Assistant généraliste, extraction d'informations, appel de fonctions (function calling), base de fine-tuning.

Bekannte Einschränkungen

Pas de mécanisme de modération intégré. Moins précis que les grands modèles sur le raisonnement complexe.

Evaluationen und Version

Version 0.3 · Veröffentlicht am : 2024-05-22

Notizen

Modèle publié par Mistral AI, référencé ici pour servir de base aux configurations LoRA du catalogue. ContexteTech ne l'a pas modifié.

Kosten für den Betrieb dieses Modells

Lizenz

0 € Lizenzkosten (Apache 2.0)

Benötigter GPU-Speicher

16 Go

Nur CPU (ohne GPU)

nein

Mietpreise ohne MwSt., Instanz mit 1 GPU, 730 Stunden pro Monat, Stand 29. September 2026 (RunPod und Lambda in Dollar, zum EZB-Kurs umgerechnet). Ein offenes Modell hat keine Kosten pro Aufruf: bezahlt wird die Hardware, auf der es läuft.

Kennung

contextetech--mistral-7b-instruct-v0.3

Typ

LLM · Fine-Tune

Datei

mistral-7b-instruct-v0.3.model.json

Format

JSON (application/json)

Größe

628 Bytes

Kodierung

UTF-8

Geschätzte Tokens

≈ 173

Sprache

Mehrsprachig

Lizenz

Apache 2.0

Kommerzielle Nutzung

Erlaubt

Version

0.3

Veröffentlicht am

26. September 2026 um 18:12

Aktualisiert am

30. September 2026 um 17:18

Speicherung

in der Datenbank

Nutzungen

0

Gefällt mir

0

mistral-7b-instruct-v0.3.model.json

{
  "format": "contextetech/model/v1",
  "id": "contextetech/mistral-7b-instruct-v0.3",
  "description": "Fiche de référence du modèle Mistral 7B Instruct v0.3 publié par Mistral AI : 7 milliards de paramètres, licence Apache 2.0, appel de fonctions.",
  "tags": [
    "mistral",
    "7b",
    "open-weights"
  ],
  "license": "Apache-2.0",
  "language": "multi",
  "type": "finetune",
  "baseModel": "mistralai/Mistral-7B-v0.3",
  "family": "mistral",
  "params": "7B",
  "weightsFormat": "safetensors",
  "quant": "",
  "contextLength": 32768,
  "weightsUrl": "https://huggingface.co/mistralai/Mistral-7B-Instruct-v0.3"
}

Download

# https://huggingface.co/mistralai/Mistral-7B-Instruct-v0.3

Transformers (Python)

from transformers import AutoModelForCausalLM, AutoTokenizer

path = "./mistral-7b-instruct-v0.3"   # dossier des poids téléchargés
tok = AutoTokenizer.from_pretrained(path)
model = AutoModelForCausalLM.from_pretrained(path, device_map="auto")
inputs = tok("deine Eingabe hier", return_tensors="pt").to(model.device)
print(tok.decode(model.generate(**inputs, max_new_tokens=200)[0]))

An assistant that answers from your product documentation

Your documentation exists but nobody reads it: customers ask support questions whose answer is already written, and the team spends ages finding the right page.

Schritt 2 von 4 : Pick a model that runs on your side (If the documentation is confidential)