Mistral Small 3.2 ist die Juni-2025-Aktualisierung der 24-Milliarden-Parameter-Modellreihe Mistral Small. OVH AI Endpoints stellt das Modell von französischer Infrastruktur bereit. Für europäische Teams, die nach einem mittelschweren Modell suchen, das weder die Kosten eines Flaggschiffmodells erreicht noch in der Beschränkung kleiner Modelle gefangen ist, besetzt dieses eine interessante Zwischenposition.
Worum es sich handelt
Die „3.2"-Version ist eine optimierte Iteration gegenüber Mistral Small 3.1, das die Produktlinie bereits auf ein wettbewerbsfähiges Niveau im mittleren Segment für Reasoning und Instruktionsbefolgung gebracht hatte. Das Suffix 2506 ist der Release-Datumsstempel. Die Small-3.x-Reihe trägt die architektonischen Entscheidungen, die Mistral im Rahmen ihrer Arbeit der zweiten Generation getroffen hat, einschließlich Verbesserungen bei der Instruktionsbefolgung, der Zuverlässigkeit strukturierter Ausgaben und der Stabilität bei der Tool-Nutzung.
Was die Modalität betrifft, sollten Sie den OVH-Endpoint als Text-First behandeln, sofern Sie Vision nicht explizit gegen Ihren eigenen Workflow verifiziert haben. Mistrals 3.x-Reihe hat Varianten mit Vision-Fähigkeiten ausgeliefert, und die Situation hat sich über Punkt-Releases hinweg verschoben, sodass die sichere Standardannahme ist, Text-Input und Text-Output zu planen und Bild-Input erst zu testen, nachdem Sie das Verhalten gegen die spezifische Endpoint-Version bestätigt haben, die OVH derzeit betreibt.
Das Kontextfenster ist großzügig für diese Größenklasse. Tool-Calling und JSON-Output sind zuverlässig genug, um echte agentische Systeme darauf aufzubauen, mit dem üblichen Vorbehalt, dass jede produktive Nutzung strukturierter Ausgaben einen Validator dahinter benötigt.
Wo es glänzt
Mistral Small 3.2 trifft den Punkt, an dem Sie echtes Reasoning benötigen, ohne für ein Modell der 70B-Klasse zu zahlen. Aufgaben, die das Befolgen strukturierter Instruktionen, leichtes Reasoning und mehrsprachige Content-Generierung mischen, sind seine Stärke. Das Modell behält eine kohärente Stimme über längere Antworten hinweg bei und folgt stilistischen Vorgaben, ohne zu entgleisen.
Die mehrsprachige Leistung ist gut über die großen europäischen Sprachen hinweg, besonders im Französischen, wo sowohl Mistrals Trainingsdaten als auch Tokenizer-Entscheidungen einen Schwerpunkt setzen. Deutsch, Italienisch, Spanisch und Portugiesisch sind solide. Die Abdeckung kleinerer europäischer Sprachen ist brauchbar, aber variabel.
Code-Generierung ist kompetent in Mainstream-Sprachen. Function-Calling ist zuverlässig, mit stabilem JSON-Output und ordentlicher Multi-Tool-Orchestrierung. Für agentische Workflows, die ein Modell im mittleren Segment benötigen, ist dies eine der besseren Optionen im Preissegment.
Wo es Schwächen zeigt
Es ist kein Frontier-Modell. Die härtesten Reasoning-Benchmarks favorisieren weiterhin schwerere Closed-Weight-Modelle. Lange, mehrstufige Planung, die das Halten vieler Constraints im Blick erfordert, kann abdriften. Mathematik jenseits moderater Komplexität ist unzuverlässig. Code in ungewöhnlichen Sprachen oder mit subtilen Korrektheitsbedingungen sollte geprüft werden.
Die Ausführlichkeitstendenz, die sich durch die Mistral-Reihe zieht, ist vorhanden. Fordern Sie Prägnanz über den Prompt an, wenn Sie sie benötigen, und erzwingen Sie sie mit Token-Limits, falls nötig.
Für Vision-Workloads sollten Sie keine Fähigkeit ohne Verifikation annehmen. Wenn Ihr Anwendungsfall Bild-First ist, schauen Sie sich Endpoints an, die explizit dafür gebaut sind, wie etwa die Qwen-Vision-Language-Reihe im OVH-Katalog oder einen Anbieter mit dokumentierter Vision-API.
Die OVH- und EU-Position
OVH hostet die Inferenz von Gravelines oder Roubaix aus. Französische Infrastruktur, europäischer DPA, kein Training auf Kundenprompts. Für mittelschwere Workloads, bei denen das Beschaffungsgespräch Anforderungen an Datenresidenz einschließt, ist dies eine der glaubwürdigen Optionen. Der Katalog von Modellen der 24B-Klasse mit dieser Hosting-Geschichte ist schmaler als der Katalog kleiner Modelle.
Die OpenAI-kompatible API-Oberfläche hält die Integrationsreibung niedrig. Bestehende SDKs, Orchestrierungsbibliotheken und Agent-Frameworks lassen sich ohne Neuschreibungen einstecken.
Preisgestaltung
Aufgeführt auf der OVH-AI-Endpoints-Seite. Tarife im mittleren Segment. Wir veröffentlichen sie nicht erneut, weil sie sich ändern und wir es vorziehen, dass Sie die Quelle prüfen. Generell sitzt die 24B-Klasse komfortabel über den 7-12B-Modellen und deutlich unter der 70B-Klasse bei den Pro-Aufruf-Kosten.
Auswahl dieses Modells versus Alternativen
Wenn Sie echtes Mid-Tier-Reasoning mit EU-Residenz benötigen: setzen Sie dies auf die Shortlist. Wenn Ihr Traffic größtenteils in der Komfortzone eines kleineren Modells liegt: zahlen Sie die niedrigeren Pro-Aufruf-Kosten und nutzen Sie stattdessen Mistral 7B oder Llama 3.1 8B. Wenn Sie Top-Qualität benötigen und Spielraum im Budget haben: steigen Sie auf die 70B-Klasse auf. Wenn Vision im Scope ist: bestätigen Sie zuerst das Endpoint-Verhalten, oder wählen Sie ein Modell, dessen Vision-Support explizit ist.
Ein praktisches Muster: Small-Model-Default plus Mistral Small 3.2 bei Eskalation funktioniert gut für Support- und Content-Pipelines. Der Trennpunkt hängt von Ihren realen Prompts und Ihrer Toleranz für Fehlklassifikationen ab.
Vergleichen Sie auf denselben Prompts über das Leaderboard; siehe Methodology für das, was wir messen; mehrsprachige Aufschlüsselung unter /benchmarks/languages.
Fazit
Ein solides, instruktions-getuntes Modell der mittleren Leistungsklasse von Mistral, bereitgestellt auf französischer Infrastruktur, kürzlich genug aktualisiert, um wettbewerbsfähig zu bleiben. Mistral Small 3.2 ist eine der praktischeren Standardwahlen für europäische Teams, die echtes Reasoning, mehrsprachige Qualität und eine dokumentierte Residenz-Geschichte benötigen, ohne in die Heavyweight-Kategorie aufzusteigen.
Letzte technische Prüfung: 2026-05-22 — Tokonomix.ai
