Mistral AI 发布第二代开源编码模型：Devstral2 和 Devstral Small2

最新推荐文章于 2025-12-11 07:23:27 发布
原创 最新推荐文章于 2025-12-11 07:23:27 发布 · 120 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #开源

Mistral AI 最新发布的第二代开源编码模型包含两款产品：旗舰模型 Devstral 2 (123B) 和轻量版 Devstral Small 2 (24B)，两者都针对软件开发中的高级任务进行了优化，并配备了新的命令行工具 Mistral Vibe CLI-1-2。

下面的表格清晰地对比了这两款模型的核心信息：

特性维度Devstral 2 (旗舰版)Devstral Small 2 (轻量版)
参数规模123B-1-624B-1-2
主要许可证修改后的MIT许可证（企业营收有限制）-1-2Apache 2.0许可证（无商业限制）-1-2
性能 (SWE-bench Verified)72.2%-1-468.0%-1-4
关键优势开源代码智能体领域性能领先-1参数虽少但性能强劲，可在消费级硬件本地部署-1-2
部署硬件需求至少4块H100级GPU-1-5支持单GPU（如消费级显卡）甚至仅用CPU运行-1-8
API定价 (每百万Token)输入 $0.40 / 输出 $2.00-1-7输入 $0.10 / 输出 $0.30-1-7

如何选择适合你的模型？

两款模型定位不同，你可以根据自身情况进行选择：

  • 对于个人开发者或对隐私要求高的项目：Devstral Small 2 是首选。它性能出色，能在笔记本上离线运行，保证代码隐私，且Apache 2.0许可证让你能无顾虑地用于商业产品-2-6。

  • 对于企业或处理复杂架构的任务：如果企业营收未超过限制，Devstral 2 在代码理解、多文件协同和复杂问题解决上能力更强-1-6。超过营收限制的大企业则需要联系Mistral获取商业许可-2。

  • 对于成本敏感的应用：Devstral Small 2 的API调用和本地部署成本都显著更低，性价比极高-1-6。

搭配新工具：Mistral Vibe CLI

此次同步发布的 Mistral Vibe CLI 是一个开源命令行工具，旨在让开发者通过自然语言指令直接操控代码库-1-6。它的核心功能包括：

  • 项目感知：自动扫描项目文件结构和Git状态，理解上下文-1-8。

  • 多文件协同：能够理解整个代码库的架构，跨多个文件执行修改和重构-1-6。

  • 智能工具：支持用@引用文件、用!执行Shell命令，并可集成到Zed等IDE中使用-1-8。

 如何获取与开始使用

  • 立即体验：目前，两款模型均可通过 Mistral官方API 免费使用（限时）-1-8。Vibe CLI也可以在GitHub上获取-1。

  • 本地部署：模型已在 Hugging Face 平台发布-2。Small 2非常适合在个人电脑上通过Ollama等工具运行。

  • 生态集成：模型已与 vLLM、Kilo Code、Cline 等开源社区工具集成-1-2。

timer_017
关注
Llama3、Mistral、Falcon：开源大模型的三国杀
远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享
09-02 562
开源大模型技术迎来爆发期，Llama3、Mistral和Falcon三大模型各具特色：Meta的Llama3在代码生成和长文本处理表现优异；欧洲的Mistral以多语言支持和快速推理见长；Falcon凭借创新的Mamba架构在长序列处理上独具优势。三者在语言理解、逻辑推理等核心能力上各有千秋，适用场景和资源需求也存在差异。随着技术发展，未来开源大模型将向多模态融合、性能提升等方向演进，为AI应用开拓更广阔空间。开发者需根据具体需求选择最适合的模型，充分释放开源生态的创新潜力。
Mistral-Medium-3 评测：强大 AI 模型深度解析，API Key 获取与 Python 示例
2501_90831828的博客
05-15 972
Mistral AI 于2025年5月发布了其最新大型语言模型 Mistral-Medium-3，专为企业级应用设计，具备卓越的多模态处理能力和成本效益。该模型基于 Transformer 架构，支持长达 128,000 tokens 的上下文长度，并在编码、指令遵循、数学推理和多模态任务中表现出色。Mistral-Medium-3 在多个基准测试中与顶尖模型如 Claude Sonnet 3.7 和 GPT-4o 表现相当，但成本显著降低。其强大的编码能力和多模态处理使其成为企业应用的理想选择，标志着 M
Mistral AI 开源最新 Small 模型——Devstral-Small-2505
weixin_41446370的博客
05-23 2583
Devstral 是一款专为软件工程任务设计的代理型大语言模型（LLM），由 Mistral AI 和 All Hands AI 合作开发 。Devstral 擅长使用工具探索代码库、编辑多个文件以及驱动软件工程代理。该模型在 SWE-bench 上表现出色，使其成为该基准测试中排名第一的开源模型。
代码智能新纪元：Mistral AI 发布 Devstral2507 系列模型
weixin_41446370的博客
07-14 898
Devstral Small 1.1是由Mistral AI与All Hands AI联合开发的240亿参数智能编程大模型，专为软件工程任务优化。该模型在SWE-bench测试中以53.6%的准确率成为当前最佳开源模型，较前代提升6.8%。其主要特点包括：支持128k长上下文、兼容Mistral函数调用格式、可在消费级硬件（如RTX 4090）本地运行，采用Apache 2.0开源许可。推荐配合OpenHands框架使用，提供API和本地推理两种部署方式，其中vLLM库为生产环境推荐方案。该模型在智能代理编
mistralai轻量级代理式编程任务大模型速递：Devstral-Small-2505
直达开源前线，冲冲冲！
05-22 1235
Devstral-Small-2505 是由 Mistral AI 与 All Hands AI 合作开发的一款面向软件工程任务的代理型语言模型，基于 Mistral-Small-3.1 微调，具有 128k 令牌的上下文窗口。该模型在 SWE-bench 基准测试中以 46.8% 的成绩位列开源模型第一，表现出色。其关键特性包括代理式编程能力、轻量级设计（240 亿参数）、开源许可（Apache 2.0）、大上下文窗口和特定分词器（Tekken 分词器）。用户可通过 API 或本地推理（如 vLLM、tr
Mistral模型全景解析：从旗舰Large到轻量Small与开源NeMo
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
06-22 1087
Mistral AI不仅以其卓越的开源模型（如Mixtral）闻名，其通过API提供的商业模型矩阵同样强大且定位清晰。本文将带您深入了解Mistral的三大核心产品：旗舰级的Mistral Large 2，轻量高效的Mistral Small，以及拥有原生函数调用能力的开源新星Mistral NeMo。我们将通过一个直观的Python实战，对比不同模型的性能与延迟，为您在项目选型时提供清晰的指引。
Mistral AI 开源一款专为软件工程任务设计的智能大语言模型——Devstral 2 123B Instruct 2512
最新发布
weixin_41446370的博客
12-11 343
Devstral 2 123B Instruct 2512是一款专为软件工程优化的AI模型，在SWE-bench测试中表现优异（72.2%准确率）。该FP8精调模型支持256k超长上下文，特别适合智能编码、多文件编辑等任务。配套工具Mistral Vibe CLI可实现终端直接调用，同时支持vLLM等多种部署方式。与同类模型相比，Devstral 2在保持较小参数量（123B）的同时，性能接近甚至超过部分更大规模的竞争对手模型。
Mistral AI 重磅发布 Voxtral 开源音频模型：重新定义语音智能的性价比标杆
gitblog_01005的博客
11-27 367
在人工智能技术迅猛发展的浪潮中，音频理解与处理领域迎来了突破性进展。Mistral AI 近期推出的开源音频模型 Voxtral，凭借其卓越的语音理解能力、灵活的部署选项和极具竞争力的成本优势，正迅速成为商业应用场景下的理想选择。该模型提供两种参数规模版本，24B 参数版本专为企业级大规模生产环境打造，而轻量级的 3B 参数"Mini"版本则聚焦本地与边缘计算场景，两者均基于 Apache 2.0
Mistral AI 发布 Magistral Small 1.2：开源模型迎来多模态推理革命
gitblog_00390的博客
11-01 232
法国人工智能领域的领军企业 Mistral AI 近日宣布，其备受关注的 Magistral 系列开源推理模型推出最新成员——Magistral Small 1.2。这款拥有 240 亿参数的模型，延续了该系列一贯的开源精神，采用宽松的 Apache 2.0 许可协议，为全球开发者和研究机构提供了强大且灵活的 AI 工具。新版本在原有基础上实现了多项关键升级，不仅将上下文窗口扩展至 128k to...
Mistral强势回归：Small 3.1开源发布，性能完胜Gemma 3，RTX 4090即可部署
东方佑
03-18 772
Mistral Small 3.1的发布，标志着AI模型发展进入“轻量化+开源”新阶段。其开源策略降低了技术门槛，而性能表现则证明了小模型在特定场景的潜力。然而，面对GPT-4级别的“隐性知识”积累，小模型仍需在推理能力上持续突破。对于开发者而言，Small 3.1提供了“快速落地”的新选择；对于行业而言，这场“小模型革命”或许将重新定义AI的普惠化路径。正如社区所期待的：“期待Mistral的下一款多模态模型，再次刷新行业认知。关注我们，持续追踪AI模型迭代与技术落地动态！注。
Mistral AI发布Magistral Small 1.2：开源大模型迎来多模态推理新纪元
gitblog_00886的博客
11-01 344
法国人工智能企业Mistral AI今日正式发布 Magistral 系列开源推理模型的最新版本——Magistral Small 1.2。这款拥有240亿参数的模型延续了Apache 2.0开源许可策略，在保留128k超长上下文窗口和多语言处理能力的基础上，实现了两大突破性升级：新增视觉输入模块与创新推理机制。 该版本最引人注目的技术革新在于引入了包裹推理过程的[THINK]...[/THIN...
Mistral Small 3.1 架构深度解析：高效小型模型的巅峰之作
fudaihb的博客
08-09 953
Mistral Small 3.1证明了模型能力不再由参数规模决定——通过创新的稀疏MoE架构、渐进式知识蒸馏和极致的推理优化，小型模型也能挑战大型模型的性能王座。当效率与性能完美统一，当专业知识与通用智能无缝融合，AI民主化的新时代已经到来。
小模型竞争开始：Mistral AI与NVIDIA联手推出Mistral NeMo模型
CodeMicheal的博客
07-23 1519
这次Mistral和NVIDIA联合推出的Mistral- NeMo拥有120亿的训练参数和128K的上下文窗口，所以它的推理、世界知识和编码准确性在其尺寸类别中是最先进的。而且Mistral-NeMo还是基于标准架构的，所以Mistral-NeMo的兼容性很高，而且可以在任何使用Mistral-7B的系统中置换。下表比较了 Mistral NeMo 基础模型与两个最近的开源预训练模型 Gemma 2 9B 和 Llama 3 8B 的准确性。
超越gpt-4o-mini！最适合企业的24B参数大模型Mistral Small 3！部署Mistral-Small-24B-Instruct-2501 替代deepseek！支持Roo Code!
m0_71165399的博客
01-31 1569
Mistral AI 是一家法国的初创公司，专注于开发最先进的大型语言模型 (LLM)。该公司由前 Meta 和 Google 的研究人员于 2023 年 5 月创立，致力于通过开源和合作的方式推动 LLM 领域的发展。Mistral AI 尤其关注模型的效率和可访问性，旨在使更广泛的用户能够受益于 LLM 技术。他们致力于推进 LLM 领域的研究，特别是在提高模型效率和对齐方面。Mistral AI 积极拥抱开源精神，例如发布了高效注意力机制的代码，并为开源 LLM 库做出了贡献。
【论文速递】2025年第34周(Aug-17-23)(Robotics/Embodied AI/LLM)
淋曦的进击手记
12-07 1476
自我监督的学习有望消除对手动数据注释的需求，从而使模型能够毫不费力地扩展到大规模的数据集和较大的体系结构。通过不针对特定的任务或领域量身定制，这种训练范式有可能使用单个算法从不同的来源学习视觉表示形式，从自然到航空图像。该技术报告介绍了Dinov3，这是通过利用简单而有效的策略来实现这一愿景的主要里程碑。首先，我们利用仔细的数据准备，设计和优化来扩展数据集和模型大小的好处。其次，我们介绍了一种称为GRAM锚定的新方法，该方法有效地解决了长期训练时间表中已知但未解决的密集特征映射降解的问题。
人工智能的基石之三：硬件
最简单的方法，解决最实际的问题。
12-05 714
高性能硬件是人工智能的基石，尤其是在机器学习和深度学习领域，海量数据是常态。从充当计算机大脑的中央处理器 (CPU) 到加速计算的图形处理器 (GPU)，硬件的作用是提供处理和运行复杂数据算法所需的原始能力。
宝马，如何建设一座AI汽车工厂？｜产业AI案例
chanyejiawang的博客
12-08 1022
AI汽车时代来袭
LLM交互工具汇总：Open WebUI、ChatBot-UI、浏览器插件、Studio
lonelymanontheway的博客
12-05 813
Open WebUI、实战、mcpo、ChatBot-UI、实战、轻量级、浏览器插件、Page Assist、ollama-ui、Studio类工具、Cherry Studio、LM Studio、Msty Studio、参考、
【农作物谷物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法
子午的博客
12-05 855
农作物谷物识别系统，基于TensorFlow搭建卷积神经网络算法，通过对11种常见的谷物图片数据集（‘大米’, ‘小米’, ‘燕麦’, ‘玉米渣’, ‘红豆’, ‘绿豆’, ‘花生仁’, ‘荞麦’, ‘黄豆’, ‘黑米’, ‘黑豆’）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义。
可开源部署的模型有哪些
07-13
在当前的机器学习和深度学习领域，有许多开源模型可以部署到生产环境中。这些模型不仅具备强大的功能，还具有高度的可定制性和灵活性，适用于多种应用场景。以下是一些主要的开源模型及其适用场景： ### 自然语言处理（NLP）领域的开源大模型 1. **Llama 系列模型** Llama 是由 Meta 开发的一系列开源大型语言模型，包括 Llama、Llama2 和最新的 Llama3。它们支持多语言处理，并且可以用于文本生成、对话系统以及代码生成等任务。Llama3 作为最新一代模型，参数规模更大，性能更强，适合需要高质量语言理解和生成的应用[^1]。 2. **Yi 系列模型** Yi 是由 01.AI 推出的开源语言模型，具备强大的双语能力，在语言理解、常识推理和阅读理解方面表现出色。该系列包括 Yi-34B 等模型，适用于需要处理多语言和多模态数据的任务[^2]。 3. **Phi-3 系列模型** Phi-3 是微软 AI 研究院开发的小型化高效能模型，包含 Mini、Small 和 Medium 三个版本。即便最小的 Phi-3-Mini 具有 3.8B 参数，也能在性能上媲美大型模型，适合资源受限的场景[^3]。 4. **Mistral 和 Mixtral 模型** Mistral AI 发布的 Mistral 和 Mixtral 模型以其高效的推理能力和较小的模型体积著称，尤其适合部署在边缘设备或低资源环境中[^1]。 5. **NSQL 模型** NSQL 是一个开源 SQL 协同生成基础模型，支持复杂的数据查询任务，能够将自然语言转换为结构化查询语句，提高数据库操作的效率和准确性[^1]。 ### 计算机视觉领域的开源模型 1. **Vision Transformer (ViT)** Vision Transformer 是一种基于 Transformer 架构的图像分类模型，通过将图像划分为小块并转换为序列输入进行处理，显著提升了图像识别的准确率[^1]。 2. **ResNet、EfficientNet、ConvNeXt** 这些经典的卷积神经网络（CNN）模型在图像分类、目标检测和图像分割等任务中广泛使用。其中 ResNet 解决了深度网络中的梯度消失问题，而 EfficientNet 则优化了计算资源的利用效率。 ### 大规模语言模型（LLM）与生成式 AI 1. **Falcon 模型** Falcon 是由阿联酋技术研究院（TII）开发的高性能开源语言模型，支持长上下文理解和多语言处理，适用于企业级 AI 应用[^1]。 2. **HuggingFace Transformers 库中的模型** HuggingFace 提供了大量预训练的自然语言处理模型，例如 BERT、GPT、T5 和 RoBERTa 等，这些模型可以通过简单的 API 快速集成到各种应用中，并支持自定义微调[^1]。 ### 部署工具与框架 1. **Seldon Core** Seldon Core 作为一个功能强大的开源 MLOps 框架，正在改变机器学习模型的部署和管理方式。它不仅简化了复杂的部署流程，还提供了丰富的工具来监控和优化模型性能。对于希望在生产环境中高效管理机器学习模型的组织来说，Seldon Core 无疑是一个值得考虑的解决方案[^3]。 2. **Kubernetes 上的部署指南** 在 Kubernetes 上部署机器学习的主要优势包括：机器学习管道的自动化、自动容器管理和健康检查，释放资源和时间；特定阶段和节点可以逐步更新，从而减少总体停机时间；改进了机器学习模型所有领域的访问和可移植性；改进基于云的机器学习模型的管理；自动扩展机器学习模型，例如在需要时自动加速 GPU 使用 [^2]。 3. **ModelX 模型管理仓库** ModelX 是一款开源的机器学习模型管理仓库，结合了 OCI、git-lfs 和对象存储的优势，并解决了模型管理遇到的问题。它提供了一个高性能、可扩展的模型存储服务，方便用户管理和部署自己的模型 [^4]。 ### 示例代码：使用 Seldon Core 部署模型 ```python from seldon_core.seldon_client import SeldonClient sc = SeldonClient(deployment_name="model-name", namespace="default") response = sc.predict(gateway="ambassador", payload={"data": {"ndarray": [[1, 2, 3]]}}) print(response) ``` 上述代码展示了如何使用 Seldon Core 的 Python 客户端进行预测请求，这有助于快速集成和测试部署好的模型。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值