Mistral 3 把 14B 模型做到了 85% GPQA，小模型的天花板又被抬高了

开源大模型领域正在形成一个有趣的趋势：模型不再一味求大，而是开始在"小"上做文章。

Mistral 最新发布的第三代模型，最引人注目的不是那个 675B 参数的稀疏混合专家大模型，而是那个只有 14B 参数的 Ministral 3。

14B 在 GPQA 测试中拿下了 85% 的准确率。这个数字意味着什么？它超过了绝大多数同规模的开源模型，甚至在部分基准上逼近了更大规模的闭源模型。一个能在消费级显卡上运行的模型，做到这个程度，才是真正的实用突破。

Mistral 3 系列包含四个模型：Ministral 14B/8B/3B 三个密集小模型，以及 Mistral Large 3（675B 总参/41B 激活）的 MoE 架构。全部采用 Apache 2.0 许可，这意味着企业可以自由商用。

部署门槛被压到了很低的水平。14B 模型只需 24GB 内存即可本地运行，8B 模型在 16GB 显存的消费级显卡上就能跑。有开发者在 RTX 3090 上实测，14B 推理版本每秒可处理 42 个 token。Ollama 和 vLLM 都已在第一时间提供支持，一行命令即可启动。

真正值得关注的不是参数和跑分本身，而是这背后释放的信号：高质量开源模型的可及性正在快速提升。当 14B 模型能在个人电脑上跑出接近顶尖模型的性能时，AI 应用的部署逻辑会发生变化。不再需要昂贵的云端推理集群，不需要复杂的分布式部署，一个开发者、一台笔记本、一个模型，就能构建生产级的 AI 应用。

Mistral 在模型架构上的选择也值得留意。Large 3 采用的稀疏 MoE 架构，41B 激活参数即可调动 675B 的参数量，这是目前大模型领域效率最高的架构路线之一。而小模型全线支持多模态和 256K 长上下文，说明 Mistral 认为这些能力正在从"高端特性"变成"基础标配"。

模型的门槛在下沉，能力的基线在上升。对于开发者来说，这意味着现在是开始构建 AI 应用最好的时机，不是因为模型最强，而是因为好模型已经足够便宜、足够容易到手。