Requisiti VRAM di Codestral 22B, dimensioni GGUF e guida GPU

Simulatore interattivo di memoria e contesto per Codestral 22B

Quantizzazione dei pesi (bpw)

Precisione KV Cache

GPU di destinazione / fascia memoria unificata

Dispositivi (TP)

Lunghezza contesto (token) 32,768 token

Ripartizione memoria e limite di banda passante

Al limite (>90% usabile)

Pesi del modello: 59.2% KV: 33.1% Overhead: 7.7%

Memoria totale richiesta

21.18 GB

Allocazione per dispositivo: 21.18 GB

Pesi del modello

12.53 GB

KV Cache (FP16): 7.00 GB

Decodifica stimata (singolo flusso)

27.9 tok/s

Overhead runtime e TP: 1.64 GB

Contesto max prima di OOM

43,438

token

La compressione KV architetturale risparmia il 83.3% rispetto a MHA FP16 standard (42.00 GB).

Matrice VRAM per precisione e quantizzazione (contesto 8K / 32K / 128K)

Memoria GPU totale richiesta in base alla precisione dei pesi e alla lunghezza del contesto (batch = 1, KV cache FP16)
Precisione / Formato	bpw effettivi	Solo pesi	Totale @ ctx 8K	Totale @ ctx 32K	Totale @ ctx 128K	Fascia consigliata (@ 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

Compatibilità hardware e velocità di decodifica (Codestral 22B @ Q4_K_M, contesto 32K)

Esito di compatibilità, utilizzo memoria e throughput di decodifica stimato sulle principali GPU e Apple Silicon
Fascia hardware	Memoria e banda	Richiesta (32K)	Compatibilità	Velocità decod. stimata
RTX 3090 24GB	24 GB · 936 GB/s	21.18 GB (88%)	Al limite (>90% usabile)	27.9 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	21.18 GB (88%)	Al limite (>90% usabile)	30.1 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	21.18 GB (66%)	Entra comodamente	53.4 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	20.65 GB (32%)	Entra comodamente	15.3 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	20.65 GB (16%)	Entra comodamente	15.3 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	20.65 GB (11%)	Entra comodamente	22.5 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	21.18 GB (27%)	Entra comodamente	64.4 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	21.18 GB (27%)	Entra comodamente	105.8 tok/s

Parametri verificati dell’architettura Transformer

Checkpoint ID: mistralai/Codestral-22B-v0.1
Ollama Tag: codestral:22b
License / Release: Mistral Non-Production · 2024-Q3
Topologia e attenzione: Transformer denso
Meccanismo di attenzione: Attenzione a query raggruppate (GQA)
Parametri totali (B): 22.2B
Parametri attivi / token (B): 22.2B
Livelli nascosti / Dimensione nascosta: 56 / 6144
Teste di query / Teste KV: 48Q / 8KV (d=128)
Vocab / Max Position: 32,768 / 32,768

I formati quantizzati memorizzano fattori di scala per blocco e zero-point accanto ai pesi interi compatti. Un checkpoint GGUF Q4_K_M a 4 bit richiede in media 4.85 bit effettivi per parametro (non 4.00), mentre Q8_0 si attesta a 8.50 bpw. Nei modelli Mixture-of-Experts, tutti gli esperti instradati e condivisi restano residenti in memoria per evitare il paging dall’host a ogni token.

La Grouped-Query Attention standard alloca 2 × L × H_kv × d_head × S × B × bytes_kv lungo i livelli. La Multi-head Latent Attention di DeepSeek (MLA) comprime chiavi e valori in L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, riducendo di oltre il 90% la memoria sui contesti lunghi. I modelli ibridi a finestra scorrevole limitano i livelli di attenzione locale a min(S, window_size) facendo scalare linearmente con S quelli globali.

Comandi rapidi vLLM e Ollama per 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