EuroLLM 22B vs Mistral Small 24B : souverains européens

Comparer EuroLLM vs Mistral Small, c'est ausculter deux visions très différentes de la souveraineté numérique européenne : l'un issu d'un consortium académico-industriel conçu pour couvrir les 24 langues officielles de l'UE, l'autre produit par une startup parisienne dont les modèles sont devenus des références mondiales en open-weights. Ces deux modèles de 22 à 24 milliards de paramètres ciblent la même fenêtre d'usage — déploiement local sur un PC ou un serveur d'inférence compact — mais avec des priorités d'entraînement radicalement différentes. Cet article compare leurs spécifications VRAM par quantification, leurs scores sur les benchmarks publics, leurs licences et leurs cas d'usage concrets pour vous aider à faire le bon choix.

Origines et ambitions : deux trajectoires européennes

EuroLLM 22B est l'aboutissement du projet EuroLLM, mené par un consortium dont Unbabel et l'Instituto de Telecomunicações constituent le noyau, avec un soutien institutionnel européen. L'objectif explicite du projet est documenté dans la publication arXiv du consortium EuroLLM : entraîner des modèles multilingues capables de traiter équitablement les langues européennes peu dotées comme le polonais, le hongrois ou le roumain, sans sacrifier le français, l'allemand ou l'espagnol. La version 22B représente une montée en puissance par rapport aux versions initiales de 1,7 et 9 milliards de paramètres.

Mistral Small 24B (aussi référencé comme Mistral Small 3.1) est le fruit de Mistral AI, startup fondée à Paris en 2023. La démarche est différente : maximiser l'efficacité par paramètre avec une architecture dense soigneusement optimisée, une fenêtre de contexte étendue et une polyvalence généraliste plutôt qu'un positionnement multilingue institutionnel. La documentation officielle Mistral AI confirme un contexte de 128 000 tokens et une licence Apache 2.0 complète.

Ces deux trajectoires coexistent dans l'écosystème francophone indexé sur quelllm.fr, aux côtés de modèles comme Mistral Large 3 675B ou Mixtral 8x22B Instruct pour les besoins à plus grande échelle.

Spécifications techniques : VRAM, contexte et quantifications

La question matérielle est souvent la première à trancher. Voici les estimations par niveau de quantification pour chacun des deux modèles.

EuroLLM 22B — estimations VRAM

• Paramètres : 22 milliards (architecture dense)
• Q4_K_M : ~13 GB estimé — compatible RTX 4080 16 GB, RX 7900 XTX
• Q5_K_M : ~16 GB estimé — RTX 4090 recommandé
• Q8_0 : ~23 GB estimé — dépasse la plupart des GPU grand public, double-GPU ou serveur
• FP16 : ~44 GB — infrastructure serveur uniquement
• Fenêtre de contexte : à confirmer selon la version publiée ; les versions antérieures variaient entre 4 096 et 32 768 tokens
• Langues couvertes : 24 langues officielles UE + anglais, avec attention spécifique aux langues peu dotées

Mistral Small 24B — estimations VRAM

• Paramètres : 24 milliards (architecture dense, Grouped Query Attention)
• Q4_K_M : ~14 GB estimé — RTX 4080 16 GB confortable, RTX 4080 12 GB en limite
• Q5_K_M : ~17 GB estimé — RTX 4090 recommandé
• Q8_0 : ~25 GB estimé — hors GPU grand public unique
• FP16 : ~48 GB — serveur multi-GPU
• Fenêtre de contexte : 128 000 tokens (confirmé sur HuggingFace mistralai)
• Tokenizer : SentencePiece étendu, bon support multilingue

La différence de 2 milliards de paramètres est marginale en pratique. L'écart réel provient du tokenizer, des données d'entraînement et des objectifs d'optimisation de chaque projet.

Pour comprendre l'impact concret de chaque niveau de quantification sur la qualité d'inférence, le guide quantification de quelllm.fr détaille les compromis mesurables.

Benchmarks : performances comparées

Les benchmarks publics disponibles permettent une comparaison partielle. Plusieurs scores d'EuroLLM 22B restaient en cours de consolidation par la communauté au moment de la rédaction — les chiffres ci-dessous sont des estimations à confirmer sur les dépôts officiels.

MMLU (Massive Multitask Language Understanding)

• Mistral Small 24B : ~79–82% estimé, cohérent avec les modèles Mistral 24B publiés précédemment
• EuroLLM 22B : à confirmer — les versions 9B du projet atteignaient des scores MMLU compétitifs en langues cibles mais inférieurs à l'anglais par rapport aux modèles purement anglocentrés

HumanEval (génération de code)

• Mistral Small 24B : ~70–74% pass@1 estimé, le code étant un axe fort chez Mistral AI
• EuroLLM 22B : non prioritaire dans le projet ; performances estimées inférieures (~45–55%), à confirmer sur les benchmarks communautaires

Benchmarks multilingues (atout structurel d'EuroLLM)

C'est sur les évaluations multilingues que la justification d'EuroLLM 22B est la plus nette. Sur FLORES+ (traduction automatique), les déclinaisons linguistiques de MMLU ou les benchmarks spécifiques aux langues UE peu dotées (polonais, roumain, hongrois, grec), EuroLLM est entraîné pour surpasser des modèles généralistes de taille équivalente — y compris Mistral Small 24B.

AIME et raisonnement mathématique

Ni l'un ni l'autre ne vise le segment raisonnement poussé. Sur AIME, les performances des modèles 22–24B sans spécialisation mathématique restent modestes comparées à des architectures MoE comme Qwen 3 235B-A22B qui active 22B de paramètres avec un pool de 235B.

Licences : ce qui change pour un usage professionnel

La licence est souvent un critère décisif avant même les performances.

EuroLLM 22B : les versions précédentes du projet utilisaient Apache 2.0 ou CC-BY 4.0. La version 22B est à confirmer sur le dépôt officiel. Un usage commercial sans redevances était généralement prévu, sous réserve d'attribution.

Mistral Small 24B : distribué sous Apache 2.0, la plus permissive des grandes licences open-weights. Modification, redistribution, intégration commerciale : tout est autorisé sans restriction ni redevance. C'est le même régime que Mistral Medium 3.5 128B, ce qui simplifie les décisions d'adoption en entreprise.

Pour les équipes soumises à des contraintes légales européennes (RGPD, souveraineté des données), les deux modèles permettent un déploiement strictement on-premise sans transmission de données à des services tiers.

Cas d'usage concrets

Quand choisir EuroLLM 22B ?

1. Applications multilingues institutionnelles : support client en 10+ langues UE, traduction de documents officiels, assistants parlementaires ou administratifs
2. Langues peu dotées comme priorité : polonais, tchèque, roumain, hongrois — EuroLLM est entraîné spécifiquement pour ces langues là où les modèles généralistes peinent
3. Projets de recherche ou financements UE : l'alignement avec les initiatives européennes de souveraineté numérique facilite les justifications de choix technologique dans les dossiers de financement
4. Contraintes de données sensibles : déploiement on-premise sans dépendance à des fournisseurs hors UE

Quand choisir Mistral Small 24B ?

1. Tâches généralistes en français : rédaction, résumé, extraction, classification — Mistral excelle sur le français sans configuration spécifique
2. Code et tâches techniques : net avantage sur HumanEval et les tâches de programmation
3. Contexte long jusqu'à 128k tokens : analyse de documents, bases de connaissances, pipelines RAG
4. Déploiement self-hosted sur GPU unique : l'efficacité par paramètre et la fenêtre de contexte étendue en font un modèle adapté aux serveurs d'inférence locaux avec un RTX 4090
5. Écosystème et intégrations : la compatibilité llama.cpp, le function calling natif et la documentation Mistral rendent l'intégration dans des pipelines existants plus directe

Le configurateur quelllm.fr vous permet de filtrer les modèles selon votre GPU et vos langues cibles pour affiner ce choix.

Positionnement dans l'écosystème open-weights

À 22–24 milliards de paramètres, EuroLLM 22B et Mistral Small 24B occupent une niche précise : au-dessus des modèles 7–13B qui tiennent sur 8 GB de VRAM, mais bien en dessous des architectures MoE ou des très grands modèles denses qui nécessitent plusieurs GPU haut de gamme.

Des modèles comme DeepSeek R1 671B ou Llama 4 Maverick 400B surpassent les deux sur les tâches complexes, mais requièrent une infrastructure à 200–400 GB de VRAM en Q4. Sur un RTX 4090 24 GB, EuroLLM 22B et Mistral Small 24B sont des candidats réalistes en Q4_K_M avec une inférence fluide.

Pour les équipes qui ont déjà une infrastructure multi-GPU et cherchent un modèle Mistral plus puissant, Mistral Small 4 (119B) à 72 GB de VRAM en Q4 représente l'échelon suivant dans la gamme.

FAQ

Q : EuroLLM 22B est-il meilleur que Mistral Small 24B en français ?

Pas nécessairement. Le français est une langue très bien couverte par Mistral Small 24B grâce à ses données d'entraînement généralistes. EuroLLM 22B apporte sa valeur ajoutée sur les langues européennes moins représentées — polonais, hongrois, roumain — plutôt que sur le français ou l'espagnol où Mistral est déjà compétitif sans effort particulier.

Q : Quelle VRAM minimum pour faire tourner ces deux modèles ?

En quantification Q4_K_M, comptez 13–14 GB estimés pour EuroLLM 22B et 14–15 GB estimés pour Mistral Small 24B. Un RTX 4080 16 GB couvre les deux confortablement. Un RTX 4090 24 GB offre une marge pour le Q5_K_M. En dessous de 12 GB, la quantification Q3 est envisageable mais dégrade la qualité de manière perceptible.

Q : La licence d'EuroLLM 22B permet-elle un usage commercial ?

Les versions antérieures du projet EuroLLM utilisaient Apache 2.0 ou CC-BY 4.0, permissives pour un usage commercial. La version 22B est à confirmer sur le dépôt officiel avant tout déploiement commercial. Mistral Small 24B est, lui, clairement sous Apache 2.0 sans aucune restriction commerciale.

Q : Mistral Small 24B supporte-t-il le function calling ?

Oui. Mistral Small 24B (3.1) supporte nativement le function calling dans le format Mistral, bien documenté dans les SDKs officiels. EuroLLM 22B, centré sur le multilinguisme académique, ne positionne pas le function calling comme priorité — les capacités tool use sont à confirmer sur la version 22B.

Q : Où trouver les fichiers GGUF pour le self-host ?

Les fichiers GGUF de Mistral Small 24B sont disponibles sur HuggingFace via des dépôts communautaires bien maintenus. Pour EuroLLM 22B, plus récent, vérifiez les dépôts officiels du consortium et les contributions communautaires — une conversion manuelle peut être nécessaire selon la version disponible.

Q : Comment EuroLLM 22B se compare-t-il à Mistral Small 4 ?

Mistral Small 4 (119B) est une catégorie différente : 119 milliards de paramètres contre 22–24B, avec 72 GB de VRAM nécessaires en Q4. Il surpasse les deux modèles comparés sur presque toutes les tâches, mais requiert une infrastructure GPU significativement plus lourde. EuroLLM 22B et Mistral Small 24B restent les options réalistes pour du self-host sur GPU unique grand public.

Conclusion

La comparaison EuroLLM vs Mistral Small révèle deux outils davantage complémentaires que concurrents : Mistral Small 24B s'impose pour les tâches généralistes, le code et les contextes longs en self-host sur GPU unique, tandis qu'EuroLLM 22B répond à un besoin institutionnel concret de couverture multilingue européenne pour les langues peu dotées. Le choix dépend avant tout de vos langues cibles et de vos contraintes matérielles. Parcourez les 249 modèles indexés sur le catalogue quelllm.fr ou utilisez le configurateur pour trouver le modèle adapté à votre GPU et à vos cas d'usage.