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.

Especificaciones

Requisitos de hardware

Uso e idiomas

Idiomas : Inglés, Francés

Plantilla de chat : mistral

Usos previstos

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

Limitaciones conocidas

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

Evaluaciones y versión

Versión 0.3 · Publicado el : 2024-05-22

Notas

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

Coste de ejecutar este modelo

Licencia

0 € de licencia (Apache 2.0)

Memoria GPU necesaria

16 Go

Solo CPU (sin GPU)

no

Precios de alquiler sin IVA, instancia de 1 GPU, 730 horas al mes, a 29 de septiembre de 2026 (RunPod y Lambda en dólares, convertidos al tipo del BCE). Un modelo abierto no tiene coste por llamada: se paga el hardware que lo ejecuta.

Identificador

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

Tipo

LLM · Fine-tune

Archivo

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

Formato

JSON (application/json)

Tamaño

628 bytes

Codificación

UTF-8

Tokens estimados

≈ 173

Idioma

Multilingüe

Licencia

Apache 2.0

Uso comercial

Permitido

Versión

0.3

Publicado el

26 de septiembre de 2026 a las 18:12

Actualizado el

30 de septiembre de 2026 a las 17:18

Almacenamiento

en base de datos

Usos

0

Me gusta

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"
}

Descargar

# 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("tu entrada aquí", 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.

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