Requisitos de VRAM de Codestral 22B, tamaños GGUF y guía de G…

Simulador interactivo de memoria y contexto para Codestral 22B

Cuantización de pesos (bpw)

Precisión de caché KV

GPU objetivo / nivel de memoria unificada

Dispositivos (TP)

Longitud de contexto (tokens) 32,768 tokens

Desglose de memoria y techo de ancho de banda

Ajustado (>90 % útil)

Pesos del modelo: 59.2% KV: 33.1% Overhead: 7.7%

Memoria total requerida

21.18 GB

Asignación por dispositivo: 21.18 GB

Pesos del modelo

12.53 GB

Caché KV (FP16): 7.00 GB

Decodificación estimada (1 flujo)

27.9 tok/s

Sobrecarga de runtime y TP: 1.64 GB

Contexto máx. antes de OOM

43,438

tokens

La compresión KV de la arquitectura ahorra un 83.3 % frente a MHA FP16 sin comprimir (42.00 GB).

Matriz de VRAM por precisión y cuantización (contexto 8K / 32K / 128K)

Memoria GPU total requerida según precisión de pesos y longitud de contexto (lote = 1, caché KV en FP16)
Precisión / Formato	bpw efectivos	Solo pesos	Total @ ctx 8K	Total @ ctx 32K	Total @ ctx 128K	Nivel recomendado (@ 32K)
FP16 / BF16	16.00 bpw	41.35 GB	45.61 GB	50.86 GB	71.86 GB	NVIDIA A100 80GB
FP8	8.50 bpw	21.97 GB	25.64 GB	30.89 GB	51.89 GB	RTX 5090 32GB
Q8_0	8.50 bpw	21.97 GB	25.64 GB	30.89 GB	51.89 GB	RTX 5090 32GB
Q6_K	6.56 bpw	16.95 GB	20.48 GB	25.73 GB	46.73 GB	RTX 5090 32GB
Q5_K_M	5.69 bpw	14.71 GB	18.16 GB	23.41 GB	44.41 GB	RTX 5090 32GB
Q4_K_M	4.85 bpw	12.53 GB	15.93 GB	21.18 GB	42.18 GB	RTX 3090 24GB
AWQ INT4	4.50 bpw	11.63 GB	14.99 GB	20.24 GB	41.24 GB	RTX 3090 24GB
IQ4_XS	4.25 bpw	10.98 GB	14.33 GB	19.58 GB	40.58 GB	RTX 3090 24GB

Compatibilidad de hardware y velocidad de decodificación (Codestral 22B @ Q4_K_M, contexto 32K)

Estado de ajuste, uso de memoria y rendimiento estimado de decodificación en GPU principales y Apple Silicon
Nivel de hardware	Memoria y ancho de banda	Requerido (32K)	Veredicto de ajuste	Velocidad est. decodificación
RTX 3090 24GB	24 GB · 936 GB/s	21.18 GB (88%)	Ajustado (>90 % útil)	27.9 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	21.18 GB (88%)	Ajustado (>90 % útil)	30.1 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	21.18 GB (66%)	Cabe con holgura	53.4 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	20.65 GB (32%)	Cabe con holgura	15.3 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	20.65 GB (16%)	Cabe con holgura	15.3 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	20.65 GB (11%)	Cabe con holgura	22.5 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	21.18 GB (27%)	Cabe con holgura	64.4 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	21.18 GB (27%)	Cabe con holgura	105.8 tok/s

Parámetros verificados de la arquitectura Transformer

Checkpoint ID: mistralai/Codestral-22B-v0.1
Ollama Tag: codestral:22b
License / Release: Mistral Non-Production · 2024-Q3
Topología y atención: Transformer denso
Mecanismo de atención: Atención de consulta agrupada (GQA)
Parámetros totales (B): 22.2B
Parámetros activos / token (B): 22.2B
Capas ocultas / Tamaño oculto: 56 / 6144
Cabezas de consulta / Cabezas KV: 48Q / 8KV (d=128)
Vocab / Max Position: 32,768 / 32,768

Los formatos cuantizados almacenan factores de escala por bloque y puntos cero junto con pesos enteros empaquetados. Un checkpoint GGUF Q4_K_M de 4 bits promedia 4.85 bits efectivos por parámetro (no 4.00), mientras que Q8_0 promedia 8.50 bpw. En los modelos Mixture-of-Experts, todos los expertos enrutados y compartidos permanecen residentes en memoria para evitar paginación desde el host token a token.

La atención de consulta agrupada estándar asigna 2 × L × H_kv × d_head × S × B × bytes_kv entre capas. La atención latente multicabeza de DeepSeek (MLA) comprime claves y valores en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, reduciendo en más de un 90 % la memoria en contextos largos. Los modelos híbridos de ventana deslizante limitan las capas de atención local a min(S, window_size) mientras escalan linealmente las capas globales con S.

Comandos rápidos de vLLM y Ollama para Codestral 22B

vllm serve mistralai/Codestral-22B-v0.1 \
  --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 codestral-22b-custom -f Modelfile
FROM codestral:22b
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