> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/fr/modeles/tutorials/ministral-3.md).
# Ministral 3 - guide d'exécution
Guide pour les modèles Mistral Ministral 3, afin de les exécuter ou de les fine-tuner localement sur votre appareil
Mistral lance Ministral 3, ses nouveaux modèles multimodaux en variantes Base, Instruct et Reasoning, disponibles en **3B**, **8B**et **14B** tailles. Ils offrent les meilleures performances de leur catégorie pour leur taille, et sont affinés pour les cas d’usage d’instruction et de chat. Les modèles multimodaux prennent en charge **fenêtre de contexte de 256K** fenêtres de contexte, plusieurs langues, l’appel natif de fonctions et la sortie JSON.
Le modèle complet non quantifié Ministral-3-Instruct-2512 14B tient dans **24 Go de RAM**/VRAM. Vous pouvez désormais exécuter, affiner et faire du RL sur tous les modèles Ministral 3 avec Unsloth :
Exécuter les tutoriels Ministral 3Affinage de Ministral 3
Nous avons également téléversé Mistral Large 3 [les GGUF ici](https://huggingface.co/unsloth/Mistral-Large-3-675B-Instruct-2512-GGUF). Pour tous les téléversements Ministral 3 (BnB, FP8), [voir ici](https://huggingface.co/collections/unsloth/ministral-3).
| GGUF Ministral-3-Instruct : | GGUF Ministral-3-Reasoning : |
| -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| [3B](https://huggingface.co/unsloth/Ministral-3-3B-Instruct-2512-GGUF) • [8B](https://huggingface.co/unsloth/Ministral-3-8B-Instruct-2512-GGUF) • [14B](https://huggingface.co/unsloth/Ministral-3-14B-Instruct-2512-GGUF) | [3B](https://huggingface.co/unsloth/Ministral-3-3B-Reasoning-2512-GGUF) • [8B](https://huggingface.co/unsloth/Ministral-3-8B-Reasoning-2512-GGUF) • [14B](https://huggingface.co/unsloth/Ministral-3-14B-Reasoning-2512-GGUF) |
### ⚙️ Guide d’utilisation
Pour obtenir des performances optimales pour **Instruction**, Mistral recommande d’utiliser des températures plus basses telles que `température = 0,15` ou `0.1`
Pour **Raisonnement**, Mistral recommande `temperature = 0.7` et `top_p = 0.95`.
| Instruction : | Raisonnement : |
| ----------------------------- | ------------------- |
| `Température = 0,15` ou `0.1` | `Temperature = 0.7` |
| `Top_P = valeur par défaut` | `Top_P = 0.95` |
**Longueur de sortie adéquate**: Utilisez une longueur de sortie de `32,768` jetons pour la plupart des requêtes pour la variante reasoning, et `16,384` pour la variante instruct. Vous pouvez augmenter la taille maximale de la sortie si nécessaire pour le modèle reasoning.
La longueur maximale du contexte que Ministral 3 peut atteindre est `262,144`
Le format du modèle de conversation se retrouve lorsque nous utilisons ce qui suit :
{% code overflow="wrap" %}
```python
tokenizer.apply_chat_template([
{"role" : "user", "content" : "Quel est 1+1 ?"},
{"role" : "assistant", "content" : "2"},
{"role" : "user", "content" : "Combien font 2+2 ?"}
], add_generation_prompt = True
)
```
{% endcode %}
#### Ministral *Raisonnement* modèle de chat :
{% code overflow="wrap" lineNumbers="true" %}
```
[SYSTEM_PROMPT]# COMMENT VOUS DEVRIEZ PENSER ET RÉPONDRE
Commencez par rédiger votre processus de réflexion (monologue intérieur) jusqu'à parvenir à une réponse. Formatez votre réponse en Markdown et utilisez LaTeX pour toute équation mathématique. Rédigez à la fois vos pensées et la réponse dans la même langue que l'entrée.
Votre processus de réflexion doit suivre le modèle ci-dessous :[THINK]Vos pensées et/ou brouillon, comme lorsque vous travaillez sur un exercice sur une feuille de brouillon. Soyez aussi décontracté et aussi long que vous le souhaitez jusqu’à ce que vous soyez certain de générer la réponse à l’utilisateur.[/THINK]Ici, fournissez une réponse autonome.[/SYSTEM_PROMPT][INST]Combien font 1+1 ?[/INST]2[INST]Combien font 2+2 ?[/INST]
```
{% endcode %}
#### Ministral *Instruction* modèle de chat :
{% code overflow="wrap" lineNumbers="true" expandable="true" %}
```
[SYSTEM_PROMPT]Vous êtes Ministral-3-3B-Instruct-2512, un grand modèle de langage (LLM) créé par Mistral AI, une startup française basée à Paris.
Vous alimentez un assistant IA appelé Le Chat.
Votre base de connaissances a été mise à jour pour la dernière fois le 2023-10-01.
La date actuelle est {today}.
Lorsque vous n’êtes pas certain d’une information ou lorsque la demande de l’utilisateur nécessite des données à jour ou spécifiques, vous devez utiliser les outils disponibles pour récupérer l’information. N’hésitez pas à utiliser les outils chaque fois qu’ils peuvent fournir une réponse plus précise ou plus complète. Si aucun outil pertinent n’est disponible, indiquez clairement que vous n’avez pas l’information et évitez d’inventer quoi que ce soit.
Si la question de l’utilisateur n’est pas claire, est ambiguë ou ne fournit pas suffisamment de contexte pour que vous puissiez y répondre avec précision, vous ne tentez pas d’y répondre immédiatement et vous demandez plutôt à l’utilisateur de préciser sa demande (par exemple : "Quels sont de bons restaurants près de chez moi ?" => "Où êtes-vous ?" ou "Quand est le prochain vol pour Tokyo" => "D’où partez-vous ?").
Vous êtes toujours très attentif aux dates, en particulier vous essayez de résoudre les dates (par exemple, "hier" correspond à {yesterday}) et, lorsqu’on vous demande des informations à des dates spécifiques, vous écartez les informations qui se rapportent à une autre date.
Vous suivez ces instructions dans toutes les langues, et vous répondez toujours à l’utilisateur dans la langue qu’il utilise ou demande.
Les sections suivantes décrivent les capacités dont vous disposez.
# INSTRUCTIONS DE NAVIGATION WEB
Vous ne pouvez effectuer aucune recherche sur le web ni accéder à Internet pour ouvrir des URL, des liens, etc. Si cela semble être ce que l’utilisateur attend de vous, clarifiez la situation et demandez à l’utilisateur de copier-coller le texte directement dans le chat.
# INSTRUCTIONS MULTIMODALES
Vous avez la capacité de lire des images, mais vous ne pouvez pas générer d’images. Vous ne pouvez pas non plus transcrire des fichiers audio ou des vidéos.
Vous ne pouvez ni lire ni transcrire des fichiers audio ou des vidéos.
# INSTRUCTIONS D’APPEL D’OUTILS
Vous pouvez avoir accès à des outils que vous pouvez utiliser pour récupérer des informations ou effectuer des actions. Vous devez utiliser ces outils dans les situations suivantes :
1. Lorsque la demande nécessite des informations à jour.
2. Lorsque la demande nécessite des données spécifiques que vous n’avez pas dans votre base de connaissances.
3. Lorsque la demande implique des actions que vous ne pouvez pas effectuer sans outils.
Priorisez toujours l’utilisation des outils afin de fournir la réponse la plus précise et la plus utile. Si les outils ne sont pas disponibles, informez l’utilisateur que vous ne pouvez pas effectuer l’action demandée pour le moment.[/SYSTEM_PROMPT][INST]Combien font 1+1 ?[/INST]2[INST]Combien font 2+2 ?[/INST]
```
{% endcode %}
## 📖 Exécuter les tutoriels Ministral 3
Vous trouverez ci-dessous des guides pour les [Raisonnement](#reasoning-ministral-3-reasoning-2512) et [Instruction](#instruct-ministral-3-instruct-2512) variantes du modèle.
### Instruction : Ministral-3-Instruct-2512
Pour obtenir des performances optimales pour **Instruction**, Mistral recommande d’utiliser des températures plus basses telles que `température = 0,15` ou `0.1`
#### :sparkles: Llama.cpp : exécuter le tutoriel Ministral-3-14B-Instruct
{% stepper %}
{% step %}
Obtenez la dernière version `llama.cpp` sur [GitHub ici](https://github.com/ggml-org/llama.cpp). Vous pouvez également suivre les instructions de compilation ci-dessous. Modifiez `-DGGML_CUDA=ON` à `-DGGML_CUDA=OFF` si vous n'avez pas de GPU ou si vous souhaitez simplement une inférence CPU. **Pour les appareils Apple Mac / Metal**, définissez `-DGGML_CUDA=OFF` puis continuez comme d'habitude - la prise en charge de Metal est activée par défaut.
{% code overflow="wrap" %}
```bash
apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
-DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp
```
{% endcode %}
{% endstep %}
{% step %}
Vous pouvez directement récupérer depuis Hugging Face via :
```bash
./llama.cpp/llama-cli \
-hf unsloth/Ministral-3-14B-Instruct-2512-GGUF:Q4_K_XL \
--jinja -ngl 99 --ctx-size 32784 \
--temp 0.15
```
{% endstep %}
{% step %}
Téléchargez le modèle via (après avoir installé `pip install huggingface_hub hf_transfer` ). Vous pouvez choisir `UD_Q4_K_XL` ou d’autres versions quantifiées.
```python
# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
from huggingface_hub import snapshot_download
snapshot_download(
repo_id = "unsloth/Ministral-3-14B-Instruct-2512-GGUF",
local_dir = "Ministral-3-14B-Instruct-2512-GGUF",
allow_patterns = ["*UD-Q4_K_XL*"],
)
```
{% endstep %}
{% endstepper %}
### Raisonnement : Ministral-3-Reasoning-2512
Pour obtenir des performances optimales pour **Raisonnement**, Mistral recommande d’utiliser `temperature = 0.7` et `top_p = 0.95`.
#### :sparkles: Llama.cpp : exécuter le tutoriel Ministral-3-14B-Reasoning
{% stepper %}
{% step %}
Obtenez la dernière version `llama.cpp` sur [GitHub](https://github.com/ggml-org/llama.cpp). Vous pouvez aussi utiliser les instructions de compilation ci-dessous. Changez `-DGGML_CUDA=ON` à `-DGGML_CUDA=OFF` si vous n'avez pas de GPU ou si vous souhaitez simplement une inférence CPU.
{% code overflow="wrap" %}
```bash
apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
-DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp
```
{% endcode %}
{% endstep %}
{% step %}
Vous pouvez directement récupérer depuis Hugging Face via :
```bash
./llama.cpp/llama-cli \
-hf unsloth/Ministral-3-14B-Reasoning-2512-GGUF:Q4_K_XL \
--jinja -ngl 99 --ctx-size 32784 \
--temp 0.6 --top-p 0.95
```
{% endstep %}
{% step %}
Téléchargez le modèle via (après avoir installé `pip install huggingface_hub hf_transfer` ). Vous pouvez choisir `UD_Q4_K_XL` ou d’autres versions quantifiées.
```python
# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
from huggingface_hub import snapshot_download
snapshot_download(
repo_id = "unsloth/Ministral-3-14B-Reasoning-2512-GGUF",
local_dir = "Ministral-3-14B-Reasoning-2512-GGUF",
allow_patterns = ["*UD-Q4_K_XL*"],
)
```
{% endstep %}
{% endstepper %}
## 🛠️ Affinage de Ministral 3
Unsloth prend désormais en charge l’affinage de tous les modèles Ministral 3, y compris la prise en charge de la vision. Pour l’entraînement, vous devez utiliser la dernière version de 🤗Hugging Face `transformers` v5 et `unsloth` qui inclut nos récents [contexte ultra long](/docs/fr/blog/500k-context-length-fine-tuning.md) prise en charge. Le grand modèle Ministral 3 14B devrait tenir sur un GPU Colab gratuit.
Nous avons créé des notebooks Unsloth gratuits pour affiner Ministral 3. Changez le nom pour utiliser le modèle souhaité.
* Ministral-3B-Instruct [Notebook de vision](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Ministral_3_VL_\(3B\)_Vision.ipynb) (vision)
* Ministral-3B-Instruct [Notebook GRPO](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Ministral_3_\(3B\)_Reinforcement_Learning_Sudoku_Game.ipynb)
{% columns %}
{% column %}
Notebook d’affinage de Ministral Vision
{% embed url="" %}
{% endcolumn %}
{% column %}
Notebook RL GRPO de Ministral Sudoku
{% embed url="" %}
{% endcolumn %}
{% endcolumns %}
### :sparkles:Apprentissage par renforcement (GRPO)
Unsloth prend désormais également en charge le RL et GRPO pour les modèles Mistral. Comme d’habitude, ils bénéficient de toutes les améliorations d’Unsloth et demain, nous allons bientôt publier un notebook spécifiquement destiné à résoudre automatiquement le puzzle de sudoku.
* Ministral-3B-Instruct [Notebook GRPO](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Ministral_3_\(3B\)_Reinforcement_Learning_Sudoku_Game.ipynb)
**Pour utiliser la dernière version d’Unsloth et transformers v5, mettez à jour via :**
{% code overflow="wrap" %}
```
pip install --upgrade --force-reinstall --no-cache-dir --no-deps unsloth unsloth_zoo
```
{% endcode %}
L’objectif est de générer automatiquement des stratégies pour résoudre le Sudoku !
{% columns %}
{% column %}
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
Pour les graphiques de récompense pour Ministral, nous obtenons ce qui suit. Nous voyons que cela fonctionne bien !
{% columns %}
{% column %}
{% endcolumn %}
{% column %}
{% endcolumn %}
{% endcolumns %}
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.
Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:
```
GET https://unsloth.ai/docs/fr/modeles/tutorials/ministral-3.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
