VRAMLab

Devstral Small (24B SWE Agent) — Besoins VRAM, matrice de quantification et guide GPU

Devstral Small (24B SWE Agent) (Mistral, Apache-2.0) repose sur une architecture Transformer dense comptant 23.6B paramètres résidents (23.6B actifs par token), 40 couches et Attention à requêtes groupées (GQA) prenant en charge jusqu’à 131,072 tokens de contexte.

Charger dans le calculateur VRAM → Générer une config vLLM / Ollama → Comparer GPU auto-hébergé vs API → Comparer les tarifs API en direct sur DevToken →

Simulateur interactif de mémoire et de contexte pour Devstral Small (24B SWE Agent)

32,768 tokens

Répartition mémoire et plafond de bande passante

Ajusté (>90 % utile)
Poids du modèle: 66.9% KV: 25.1% Overhead: 8%
Mémoire totale requise
19.93 Go
Allocation par périphérique: 19.93 Go
Poids du modèle
13.32 Go
Cache KV (FP16): 5.00 Go
Décodage estimé (1 flux)
29.8 tok/s
Surcharge runtime et TP: 1.60 Go
Contexte max avant OOM
55,478
tokens

La compression KV architecturale économise 75.0 % par rapport au MHA FP16 naïf (20.00 Go).

Matrice VRAM par précision et quantification (contexte 8K / 32K / 128K)

Mémoire GPU totale requise selon la précision des poids et la longueur du contexte (batch = 1, cache KV FP16)
Précision / Format bpw effectifs Poids seuls Total @ ctx 8K Total @ ctx 32K Total @ ctx 128K Palier recommandé (@ 32K)
FP16 / BF16 16.00 bpw 43.96 Go 47.73 Go 51.48 Go 66.48 Go NVIDIA A100 80GB
FP8 8.50 bpw 23.35 Go 26.51 Go 30.26 Go 45.26 Go RTX 5090 32GB
Q8_0 8.50 bpw 23.35 Go 26.51 Go 30.26 Go 45.26 Go RTX 5090 32GB
Q6_K 6.56 bpw 18.02 Go 21.02 Go 24.77 Go 39.77 Go RTX 5090 32GB
Q5_K_M 5.69 bpw 15.63 Go 18.55 Go 22.30 Go 37.30 Go RTX 3090 24GB
Q4_K_M 4.85 bpw 13.32 Go 16.18 Go 19.93 Go 34.93 Go RTX 3090 24GB
AWQ INT4 4.50 bpw 12.36 Go 15.19 Go 18.94 Go 33.94 Go RTX 3090 24GB
IQ4_XS 4.25 bpw 11.68 Go 14.48 Go 18.23 Go 33.23 Go RTX 3090 24GB

Compatibilité matérielle et vitesse de décodage (Devstral Small (24B SWE Agent) @ Q4_K_M, contexte 32K)

Statut de compatibilité, utilisation mémoire et débit de décodage estimé sur les GPU phares et Apple Silicon
Palier matériel Mémoire et bande passante Requis (32K) Compatibilité Débit décodage est.
RTX 3090 24GB 24 Go · 936 GB/s 19.93 Go (83%) Ajusté (>90 % utile) 29.8 tok/s
RTX 4090 24GB 24 Go · 1008 GB/s 19.93 Go (83%) Ajusté (>90 % utile) 32.0 tok/s
RTX 5090 32GB 32 Go · 1792 GB/s 19.93 Go (62%) Tient confortablement 57.0 tok/s
Apple M-Max 64GB 64 Go · 546 GB/s 19.39 Go (30%) Tient confortablement 16.3 tok/s
Mac Studio 128GB 128 Go · 546 GB/s 19.39 Go (15%) Tient confortablement 16.3 tok/s
Mac Studio 192GB 192 Go · 800 GB/s 19.39 Go (10%) Tient confortablement 23.9 tok/s
NVIDIA A100 80GB 80 Go · 2039 GB/s 19.93 Go (25%) Tient confortablement 68.6 tok/s
NVIDIA H100 80GB 80 Go · 3350 GB/s 19.93 Go (25%) Tient confortablement 112.8 tok/s

Paramètres vérifiés de l’architecture Transformer

Checkpoint ID
mistralai/Devstral-Small-2505
Ollama Tag
devstral:24b
License / Release
Apache-2.0 · 2025-Q2
Topologie et attention
Transformer dense
Mécanisme d’attention
Attention à requêtes groupées (GQA)
Paramètres totaux (B)
23.6B
Paramètres actifs / token (B)
23.6B
Couches cachées / Dimension cachée
40 / 5120
Têtes de requête / Têtes KV
32Q / 8KV (d=128)
Vocab / Max Position
131,072 / 131,072

Les formats quantifiés stockent des facteurs d’échelle et des points zéro par bloc aux côtés des poids entiers compressés. Un checkpoint GGUF Q4_K_M 4 bits occupe en moyenne 4.85 bits effectifs par paramètre (et non 4.00), tandis que Q8_0 atteint 8.50 bpw. Pour les architectures Mixture-of-Experts, l’ensemble des experts routés et partagés reste résident en mémoire afin d’éviter la pagination hôte à chaque token.

L’attention à requêtes groupées standard alloue 2 × L × H_kv × d_head × S × B × bytes_kv sur l’ensemble des couches. L’attention latente multi-têtes de DeepSeek (MLA) compresse clés et valeurs en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, réduisant de plus de 90 % l’empreinte mémoire sur long contexte. Les modèles hybrides à fenêtre glissante plafonnent les couches locales à min(S, window_size) tout en faisant croître linéairement les couches globales avec S.

Commandes rapides vLLM et Ollama pour Devstral Small (24B SWE Agent)

CLI vLLM (RTX 3090 24GB) 
vllm serve mistralai/Devstral-Small-2505 \
  --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
Modelfile Ollama 
# Save as Modelfile, then run: ollama create devstral-24b-custom -f Modelfile
FROM devstral: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

Comparer les modèles proches et de taille similaire à poids ouverts

Mistral Small 3.1 (24B)

Mistral · 24B (GQA)

20.2 Go @ Q4_K_M · RTX 3090 24GB

Codestral 22B

Mistral · 22.2B (GQA)

21.2 Go @ Q4_K_M · RTX 3090 24GB

Mistral Large 2411 (123B)

Mistral · 123B (GQA)

84.2 Go @ Q4_K_M · RTX PRO 6000 96GB

Gemma 3 27B IT (Multimodal)

Google Gemma · 27.4B (HYBRID_SWA)

20.1 Go @ Q4_K_M · RTX 3090 24GB

Qwen3-30B-A3B (MoE)

Qwen · 30.5B (GQA)

21.8 Go @ Q4_K_M · RTX 3090 24GB

GLM-4-32B-0414

Zhipu GLM · 32B (GQA)

21.8 Go @ Q4_K_M · RTX 3090 24GB