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.

Specifiche

Requisiti hardware

Uso e lingue

Lingue : Inglese, Francese

Chat template : mistral

Usi previsti

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

Limiti noti

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

Valutazioni e versione

Versione 0.3 · Pubblicato il : 2024-05-22

Note

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

Costo per far girare questo modello

Licenza

0 € di licenza (Apache 2.0)

Memoria GPU richiesta

16 Go

Solo CPU (senza GPU)

no

Prezzi di noleggio IVA esclusa, istanza con 1 GPU, 730 ore al mese, al 29 settembre 2026 (RunPod e Lambda in dollari, convertiti al cambio BCE). Un modello aperto non ha costo per chiamata: si paga l'hardware che lo esegue.

Identificativo

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

Tipo

LLM · Fine-tune

File

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

Formato

JSON (application/json)

Dimensione

628 byte

Codifica

UTF-8

Token stimati

≈ 173

Lingua

Multilingue

Licenza

Apache 2.0

Uso commerciale

Consentito

Versione

0.3

Pubblicato il

26 settembre 2026 alle ore 18:12

Aggiornato il

30 settembre 2026 alle ore 17:18

Archiviazione

nel database

Utilizzi

0

Mi piace

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("il tuo input qui", 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.

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