Mistral Large 2411 (123B) — Requisitos de VRAM, matriz de cuantización y guía de GPU
Mistral Large 2411 (123B) (Mistral, Mistral Research) es una arquitectura Transformer denso con 123B parámetros residentes (123B activos por token), 88 capas y Atención de consulta agrupada (GQA) compatible con hasta 131,072 tokens de contexto.
Simulador interactivo de memoria y contexto para Mistral Large 2411 (123B)
Matriz de VRAM por precisión y cuantización (contexto 8K / 32K / 128K)
| Precisión / Formato | bpw efectivos | Solo pesos | Total @ ctx 8K | Total @ ctx 32K | Total @ ctx 128K | Nivel recomendado (@ 32K) |
|---|---|---|---|---|---|---|
| FP16 / BF16 | 16.00 bpw | 229.11 GB | 240.37 GB | 248.62 GB | 281.62 GB | Mac Studio 512GB |
| FP8 | 8.50 bpw | 121.71 GB | 129.75 GB | 138.00 GB | 171.00 GB | Mac Studio 192GB |
| Q8_0 | 8.50 bpw | 121.71 GB | 129.75 GB | 138.00 GB | 171.00 GB | Mac Studio 192GB |
| Q6_K | 6.56 bpw | 93.93 GB | 101.14 GB | 109.39 GB | 142.39 GB | NVIDIA H200 141GB |
| Q5_K_M | 5.69 bpw | 81.48 GB | 88.31 GB | 96.56 GB | 129.56 GB | Mac Studio 128GB |
| Q4_K_M | 4.85 bpw | 69.45 GB | 75.92 GB | 84.17 GB | 117.17 GB | RTX PRO 6000 96GB |
| AWQ INT4 | 4.50 bpw | 64.44 GB | 70.76 GB | 79.01 GB | 112.01 GB | RTX PRO 6000 96GB |
| IQ4_XS | 4.25 bpw | 60.86 GB | 67.07 GB | 75.32 GB | 108.32 GB | NVIDIA A100 80GB |
Compatibilidad de hardware y velocidad de decodificación (Mistral Large 2411 (123B) @ Q4_K_M, contexto 32K)
| Nivel de hardware | Memoria y ancho de banda | Requerido (32K) | Veredicto de ajuste | Velocidad est. decodificación |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 84.17 GB (351%) | Memoria insuficiente (OOM) | — |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 84.17 GB (351%) | Memoria insuficiente (OOM) | — |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 84.17 GB (263%) | Memoria insuficiente (OOM) | — |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 82.79 GB (129%) | Memoria insuficiente (OOM) | — |
| Mac Studio 128GB | 128 GB · 546 GB/s | 82.79 GB (65%) | Cabe con holgura | 3.7 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 82.79 GB (43%) | Cabe con holgura | 5.5 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 84.17 GB (105%) | Memoria insuficiente (OOM) | — |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 84.17 GB (105%) | Memoria insuficiente (OOM) | — |
Parámetros verificados de la arquitectura Transformer
- Checkpoint ID
- mistralai/Mistral-Large-Instruct-2411
- Ollama Tag
- mistral-large:123b
- License / Release
- Mistral Research · 2024-Q4
- Topología y atención
- Transformer denso
- Mecanismo de atención
- Atención de consulta agrupada (GQA)
- Parámetros totales (B)
- 123B
- Parámetros activos / token (B)
- 123B
- Capas ocultas / Tamaño oculto
- 88 / 12288
- Cabezas de consulta / Cabezas KV
- 96Q / 8KV (d=128)
- Vocab / Max Position
- 32,768 / 131,072
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 Mistral Large 2411 (123B)
vllm serve mistralai/Mistral-Large-Instruct-2411 \
--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-large-123b-custom -f Modelfile
FROM mistral-large:123b
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 serveComparar modelos hermanos y de escala similar de pesos abiertos
Mistral Small 3.1 (24B)
Mistral · 24B (GQA)
Devstral Small (24B SWE Agent)
Mistral · 23.6B (GQA)
Codestral 22B
Mistral · 22.2B (GQA)
Cohere Command A (111B)
Cohere · 111B (HYBRID_SWA)
Llama 4 Scout (109B / 17B-16E MoE)
Meta Llama · 109B (HYBRID_SWA)
Qwen2.5-72B-Instruct
Qwen · 72.7B (GQA)