Mistral Small 4 vs Small 3.2 24B : que change la nouvelle génération ?

Mistral Small 3.2 (24B) est aujourd'hui notre modèle de production en collectivité. Small 4 vient d'arriver, plus polyvalent et plus rapide. Faut-il migrer ? Comparatif chiffré, sources à l'appui.

  • Modèles LLM
  • 6 min de lecture

Small 4 : un seul modèle qui unifie trois familles

Magistral raisonnement Pixtral vision / multimodal Devstral coding agentique Mistral Small 4 119B MoE · effort de raisonnement réglable
Small 4 consolide raisonnement, vision et coding dans un seul modèle MoE de 119B (6,5B actifs par token). Sources : VentureBeat, fiche Hugging Face de Mistral AI.

Le contexte : deux modèles, deux architectures

Les deux modèles n'ont pas la même taille. Small 3.2 est un modèle dense de 24 milliards de paramètres, avec une fenêtre de contexte de 128k tokens. Small 4 est un modèle Mixture of Experts (MoE) de 119 milliards de paramètres, dont 6,5 milliards seulement sont activés à chaque token (128 experts, 4 actifs), avec une fenêtre de contexte de 256k tokens. Il est donc rapide à l'inférence, mais bien plus exigeant en mémoire GPU : tous ses experts doivent être chargés.

Mistral Small 3.2 (juin 2025) est une mise à jour ciblée de la série 3 : meilleur suivi d'instructions, moins de répétitions, meilleur appel de fonctions. Mistral Small 4 (mars 2026) va plus loin : il unifie le raisonnement (Magistral), la vision (Pixtral) et le coding agentique (Devstral) dans un seul modèle, avec un effort de raisonnement configurable.

Progression des benchmarks (série Small)

Score en %, plus haut = meilleur

0 50 100 % HumanEval+ (coding) 88,99 92,90 MBPP Pass@5 (coding) 74,63 78,33 MMLU Pro (savoirs) Small 3.2 : solide Small 4 : ≈ Medium Small 3.1 Small 3.2 Small 4
Small 3.2 a amélioré le coding vs 3.1 ; Small 4 hisse le niveau de connaissances près de Mistral Medium 3.1. Sources : VentureBeat, MindStudio, OpenRouter.

Tableau comparatif

CritèreSmall 3.2 (24B)Small 4 (119B MoE)
Paramètres24B (dense)119B (MoE), 6,5B actifs par token
Contexte128k256k
Mémoire GPU~55 Go en BF16 (fiche officielle)~120 Go pour les seuls poids FP8 ; 2 GPU dans la configuration vLLM officielle
Vision / multimodalOui : texte et imagesOui (Pixtral intégré)
RaisonnementStandardConfigurable (Magistral)
Coding agentiqueBonRenforcé (Devstral)
Débit d'inférenceRéférence−40 % de temps, ×3 req/s vs Small 3
Niveau MMLU ProSolideProche de Medium 3.1 / Large 3

Ce que ça change pour une IA souveraine

Deux gains comptent vraiment en production :

  • Le débit : Mistral annonce −40 % de temps de complétion et 3× plus de requêtes par seconde par rapport à Small 3. Ces chiffres sont ceux de Mistral, sur sa propre configuration : comme Small 4 demande plus de mémoire GPU que Small 3.2, le gain réel en coût par utilisateur dépend de votre charge et se recalcule (voir notre calculateur de VRAM).
  • La polyvalence : un seul modèle pour le texte, l'image et le code simplifie l'exploitation (un modèle à héberger, pas trois) et ouvre de nouveaux cas d'usage documentaires (analyse de plans, de scans, de tableaux).

Notre stack étant agnostique du modèle, passer de Small 3.2 à Small 4 ne change ni l'interface, ni le RAG, ni l'exploitation. Le dimensionnement, lui, change : 119B de paramètres au lieu de 24B, soit environ 120 Go de poids en FP8, que la commande vLLM officielle répartit sur 2 GPU. Nous évaluons Small 4 sur les cas d'usage réels de nos clients avant tout déploiement, car un benchmark public ne remplace jamais un test sur vos propres documents.

Notre recommandation

Small 3.2 traite déjà le texte et les images. Le choix avec Small 4 dépend de mesures sur les mêmes documents : qualité, raisonnement, contexte, latence et mémoire totale des poids. Les paramètres actifs ne décrivent pas à eux seuls la mémoire nécessaire.

Quel modèle pour vos cas d'usage ?

Nous évaluons Small 3.2 et Small 4 sur vos propres documents, et déployons celui qui vous convient, sans vous enfermer.