Mistral Small 3.1 (24B) VRAM-Bedarf, GGUF-Größen & GPU-Leitfa…

Interaktiver Speicher- & Kontextsimulator für Mistral Small 3.1 (24B)

Gewichtsquantisierung (bpw)

KV-Cache-Präzision

Ziel-GPU / Unified-Memory-Klasse

Geräte (TP)

Kontextlänge (Tokens) 32,768 Tokens

Speicheraufschlüsselung & Bandbreitenlimit

Knapp (>90 % nutzbar)

Modellgewichte: 67.2% KV: 24.8% Overhead: 8%

Gesamter Speicherbedarf

20.16 GB

Belegung pro Gerät: 20.16 GB

Modellgewichte

13.55 GB

KV-Cache (FP16): 5.00 GB

Gesch. Einzelstream-Decode

29.4 tok/s

Runtime- & TP-Overhead: 1.61 GB

Max. Kontext vor OOM

53,954

Tokens

Architekturbedingte KV-Komprimierung spart 75.0 % gegenüber naiver MHA FP16 (20.00 GB).

Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)

Gesamter GPU-Speicherbedarf nach Gewichtspräzision und Kontextlänge (Batch = 1, FP16-KV-Cache)
Präzision / Format	Effektive bpw	Nur Gewichte	Gesamt @ 8K	Gesamt @ 32K	Gesamt @ 128K	Empfohlene Klasse (@ 32K)
FP16 / BF16	16.00 bpw	44.70 GB	48.50 GB	52.25 GB	67.25 GB	NVIDIA A100 80GB
FP8	8.50 bpw	23.75 GB	26.91 GB	30.66 GB	45.66 GB	RTX 5090 32GB
Q8_0	8.50 bpw	23.75 GB	26.91 GB	30.66 GB	45.66 GB	RTX 5090 32GB
Q6_K	6.56 bpw	18.33 GB	21.33 GB	25.08 GB	40.08 GB	RTX 5090 32GB
Q5_K_M	5.69 bpw	15.90 GB	18.83 GB	22.58 GB	37.58 GB	RTX 3090 24GB
Q4_K_M	4.85 bpw	13.55 GB	16.41 GB	20.16 GB	35.16 GB	RTX 3090 24GB
AWQ INT4	4.50 bpw	12.57 GB	15.40 GB	19.15 GB	34.15 GB	RTX 3090 24GB
IQ4_XS	4.25 bpw	11.87 GB	14.68 GB	18.43 GB	33.43 GB	RTX 3090 24GB

Hardware-Kompatibilität & Decode-Geschwindigkeit (Mistral Small 3.1 (24B) @ Q4_K_M, 32K Kontext)

Passstatus, Speicherauslastung und geschätzter Decode-Durchsatz auf führenden GPUs und Apple Silicon
Hardware-Klasse	Speicher & Bandbreite	Benötigt (32K)	Bewertung	Gesch. Decode-Rate
RTX 3090 24GB	24 GB · 936 GB/s	20.16 GB (84%)	Knapp (>90 % nutzbar)	29.4 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	20.16 GB (84%)	Knapp (>90 % nutzbar)	31.7 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	20.16 GB (63%)	Passt komfortabel	56.3 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	19.62 GB (31%)	Passt komfortabel	16.1 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	19.62 GB (15%)	Passt komfortabel	16.1 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	19.62 GB (10%)	Passt komfortabel	23.6 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	20.16 GB (25%)	Passt komfortabel	67.8 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	20.16 GB (25%)	Passt komfortabel	111.4 tok/s

Geprüfte Transformer-Architekturparameter

Checkpoint ID: mistralai/Mistral-Small-3.1-24B-Instruct-2503
Ollama Tag: mistral-small3.1:24b
License / Release: Apache-2.0 · 2025-Q1
Topologie & Attention: Dichter Transformer
Aufmerksamkeitsmechanismus: Grouped-Query Attention (GQA)
Gesamtparameter (Mrd.): 24B
Aktive Parameter / Token (Mrd.): 24B
Verborgene Schichten / Hidden-Dimension: 40 / 5120
Query-Heads / KV-Heads: 32Q / 8KV (d=128)
Vocab / Max Position: 131,072 / 131,072

Quantisierte Formate speichern blockweise Skalierungsfaktoren und Nullpunkte neben gepackten Ganzzahlgewichten. Ein 4-Bit-GGUF-Checkpoint in Q4_K_M benötigt im Schnitt 4.85 effektive Bits pro Parameter (nicht 4.00), während Q8_0 bei 8.50 bpw liegt. Bei Mixture-of-Experts-Modellen bleiben sämtliche gerouteten und geteilten Experten im Speicher resident, um Host-Paging bei jedem Token zu verhindern.

Standard-Grouped-Query-Attention reserviert über alle Schichten hinweg 2 × L × H_kv × d_head × S × B × bytes_kv. DeepSeek Multi-head Latent Attention (MLA) komprimiert Keys und Values auf L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv und senkt den Speicherbedarf langer Kontexte um über 90 %. Hybride Sliding-Window-Modelle deckeln lokale Schichten bei min(S, window_size), während globale Schichten linear mit S wachsen.

Schnellstart-Befehle für vLLM & Ollama (Mistral Small 3.1 (24B))

vllm serve mistralai/Mistral-Small-3.1-24B-Instruct-2503 \
  --tensor-parallel-size 1 \
  --max-model-len 32768 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.95 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000

# Save as Modelfile, then run: ollama create mistral-small-24b-custom -f Modelfile
FROM mistral-small3.1:24b
PARAMETER num_ctx 32768
PARAMETER num_batch 512
PARAMETER flash_attn true

# Environment variables for ollama serve:
# OLLAMA_NUM_PARALLEL=8 OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0 ollama serve

Mistral Small 3.1 (24B) — VRAM-Anforderungen, Quantisierungsmatrix & GPU-Leitfaden

Interaktiver Speicher- & Kontextsimulator für Mistral Small 3.1 (24B)

Speicheraufschlüsselung & Bandbreitenlimit

Präzisions- & Quantisierungs-VRAM-Matrix (8K / 32K / 128K Kontext)

Hardware-Kompatibilität & Decode-Geschwindigkeit (Mistral Small 3.1 (24B) @ Q4_K_M, 32K Kontext)

Geprüfte Transformer-Architekturparameter

Schnellstart-Befehle für vLLM & Ollama (Mistral Small 3.1 (24B))

Verwandte & ähnlich große Open-Weight-Modelle vergleichen

Devstral Small (24B SWE Agent)

Codestral 22B

Mistral Large 2411 (123B)

Gemma 3 27B IT (Multimodal)

Qwen3-30B-A3B (MoE)

GLM-4-32B-0414