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.

Caractéristiques

Matériel requis

Usage et langues

Langues : Anglais, Français

Template de chat : mistral

Cas d'usage prévus

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

Limites connues

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

Évaluations et version

Version 0.3 · Publié le : 2024-05-22

Notes

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

Coût pour faire tourner ce modèle

Licence

0 € de licence (Apache 2.0)

Mémoire GPU requise

16 Go

Processeur seul (sans GPU)

non

Prix de location hors taxes, instance à 1 GPU, 730 heures par mois, relevés le 29 septembre 2026 (RunPod et Lambda en dollars, convertis au taux BCE). Un modèle ouvert n'a pas de coût par appel : on paie le matériel qui le fait tourner.

Identifiant

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

Type

LLM · Fine-tune

Fichier

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

Format

JSON (application/json)

Taille

628 octets

Encodage

UTF-8

Tokens estimés

≈ 173

Langue

Multilingue

Licence

Apache 2.0

Usage commercial

Autorisé

Version

0.3

Publié le

26 septembre 2026 à 18:12

Mis à jour le

30 septembre 2026 à 17:18

Stockage

en base

Utilisations

0

J'aime

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"
}

Téléchargement

# 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("votre entrée ici", return_tensors="pt").to(model.device)
print(tok.decode(model.generate(**inputs, max_new_tokens=200)[0]))

Un assistant qui répond sur la documentation de votre produit

Votre documentation existe, mais personne ne la lit : les clients posent au support des questions dont la réponse est déjà écrite, et l'équipe cherche longtemps la bonne page.

Étape 2 sur 4 : Choisir un modèle qui tourne chez vous (Si la documentation est confidentielle)