Pixtral 12B

是什么

Pixtral 12B 是 Mistral AI 发布的第一个多模态（multimodal）模型，于 2024 年 9 月 17 日公布^[1]。所谓多模态，就是模型除了文字还能读图：给它一张图表、一页扫描件或一张照片，再附上问题，它用文字回答。模型本身是一个 12B 参数的多模态解码器（decoder），建立在 Mistral NeMo 之上，另配一个 400M 参数、从零训练的视觉编码器（vision encoder）^[1]。

两个部分怎么分工

这种系统的分工通常是两段。视觉编码器先看图片，把图像转成一串内部表示；解码器拿着这串表示和提示词里的文字，一起生成回答。参数量的大头在解码器，语言能力也主要来自它。编码器是从零训练的，没有直接拿一个现成的视觉模型来用，这意味着图像这一侧是按这个解码器的需要专门训出来的^[1]。

图片怎么进去

这个模型最常被提到的一点是它怎么处理图片尺寸。Pixtral 按原生分辨率和原始长宽比处理图像，每 16×16 像素的小块对应一个 token^[1]。不少视觉语言模型会先把图片压成固定的正方形，宽表格或竖长的扫描页因此变形；保留原始形状就避开了这个问题，代价是 token 数量随图片面积增长——一张 512×512 的图会切成 32×32 个小块，也就是 1024 个 token。模型的上下文窗口是 128K token，可以同时容纳多张图片^[1]。模型卡把这项能力描述为支持可变图像尺寸，也支持一条消息里放多张图，或在多轮对话中反复用图^[3]。

成绩

Mistral 公布了五个基准成绩：MMMU（思维链提示）52.5%，MathVista 58.0，ChartQA 81.8，DocVQA 90.7，VQAv2 78.6^[1]。这几个基准考的东西不一样。MMMU 是带图的多学科大学水平题目；MathVista 考以图形方式呈现的数学推理；ChartQA 问的是图表；DocVQA 针对扫描文档提问；VQAv2 则是对日常照片的一般视觉问答。合起来看大致是：文档和图表较强，一般图像理解和较难的多学科推理居中。

模型卡里的对比表显示，在它所比较的模型中，Pixtral 12B 的 MMMU、MathVista、ChartQA、VQAv2 四项成绩最高^[3]。但它并非每一项都领先：同一张表里 Qwen2 7B VL 的 DocVQA 为 94.5，高于 Pixtral 12B 的 90.7^[3]。这类对比很依赖表里放了哪些模型，上面的数字也都是发布方自己给出的。

发布

模型权重以 Apache 2.0 许可发布，在 Hugging Face 上可以下载，同时出现在 Le Chat 和 La Plateforme 上，接口名称为 pixtral-12b-2409^[1]。Apache 2.0 是宽松的开源许可，允许他人使用、修改和再分发权重，包括商业用途，条件是保留许可声明。把多模态模型以这种条款放出来，而不是只放在 API 后面，意味着外部开发者可以自己下载、本地运行并做微调。

退役

这个托管模型的服役时间不长：2025 年 12 月 2 日被标记为弃用，2025 年 12 月 31 日退役，由 Ministral 3 14B 接替^[2]。弃用是预警阶段，模型还能用，但用户被告知要迁移；退役则是用旧名字发的请求不再有人应答。

在发展中的位置

作为 Mistral 的第一个多模态模型，Pixtral 12B 标出了这家公司的模型线从纯文本走向图像的那一步。它带进产品里的组合——开放权重、按原生分辨率处理图片、能装下多张图的长上下文——成了后续多模态发布的模板。而它的退役也说明，一个已发布模型的托管服务会多快被替换：权重依许可仍可下载，但托管端点在一个多月的时间跨度里就指向了继任者。