Mistral Small 3.1 (24B) — Requisitos de VRAM, matriz de cuantización y guía de GPU
Mistral Small 3.1 (24B) (Mistral, Apache-2.0) es una arquitectura Transformer denso con 24B parámetros residentes (24B activos por token), 40 capas y Atención de consulta agrupada (GQA) compatible con hasta 131,072 tokens de contexto.
Simulador interactivo de memoria y contexto para Mistral Small 3.1 (24B)
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 | 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 |
Compatibilidad de hardware y velocidad de decodificación (Mistral Small 3.1 (24B) @ 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 | 20.16 GB (84%) | Ajustado (>90 % útil) | 29.4 tok/s |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 20.16 GB (84%) | Ajustado (>90 % útil) | 31.7 tok/s |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 20.16 GB (63%) | Cabe con holgura | 56.3 tok/s |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 19.62 GB (31%) | Cabe con holgura | 16.1 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 19.62 GB (15%) | Cabe con holgura | 16.1 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 19.62 GB (10%) | Cabe con holgura | 23.6 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 20.16 GB (25%) | Cabe con holgura | 67.8 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 20.16 GB (25%) | Cabe con holgura | 111.4 tok/s |
Parámetros verificados de la arquitectura Transformer
- Checkpoint ID
- mistralai/Mistral-Small-3.1-24B-Instruct-2503
- Ollama Tag
- mistral-small3.1:24b
- License / Release
- Apache-2.0 · 2025-Q1
- Topología y atención
- Transformer denso
- Mecanismo de atención
- Atención de consulta agrupada (GQA)
- Parámetros totales (B)
- 24B
- Parámetros activos / token (B)
- 24B
- Capas ocultas / Tamaño oculto
- 40 / 5120
- Cabezas de consulta / Cabezas KV
- 32Q / 8KV (d=128)
- Vocab / Max Position
- 131,072 / 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 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 serveComparar modelos hermanos y de escala similar de pesos abiertos
Devstral Small (24B SWE Agent)
Mistral · 23.6B (GQA)
Codestral 22B
Mistral · 22.2B (GQA)
Mistral Large 2411 (123B)
Mistral · 123B (GQA)
Gemma 3 27B IT (Multimodal)
Google Gemma · 27.4B (HYBRID_SWA)
Qwen3-30B-A3B (MoE)
Qwen · 30.5B (GQA)
GLM-4-32B-0414
Zhipu GLM · 32B (GQA)