VRAMLab

Mistral Small 3.1 (24B) — Requisiti VRAM, matrice di quantizzazione e guida GPU

Mistral Small 3.1 (24B) (Mistral, Apache-2.0) adotta un’architettura Transformer denso con 24B parametri residenti (24B attivi per token), 40 livelli e Attenzione a query raggruppate (GQA) con supporto fino a 131,072 token di contesto.

Apri nel calcolatore VRAM → Genera config vLLM / Ollama → Confronta GPU self-hosted vs API → Confronta le tariffe token API live su DevToken →

Simulatore interattivo di memoria e contesto per Mistral Small 3.1 (24B)

32,768 token

Ripartizione memoria e limite di banda passante

Al limite (>90% usabile)
Pesi del modello: 67.2% KV: 24.8% Overhead: 8%
Memoria totale richiesta
20.16 GB
Allocazione per dispositivo: 20.16 GB
Pesi del modello
13.55 GB
KV Cache (FP16): 5.00 GB
Decodifica stimata (singolo flusso)
29.4 tok/s
Overhead runtime e TP: 1.61 GB
Contesto max prima di OOM
53,954
token

La compressione KV architetturale risparmia il 75.0% rispetto a MHA FP16 standard (20.00 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 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

Compatibilità hardware e velocità di decodifica (Mistral Small 3.1 (24B) @ 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 20.16 GB (84%) Al limite (>90% usabile) 29.4 tok/s
RTX 4090 24GB 24 GB · 1008 GB/s 20.16 GB (84%) Al limite (>90% usabile) 31.7 tok/s
RTX 5090 32GB 32 GB · 1792 GB/s 20.16 GB (63%) Entra comodamente 56.3 tok/s
Apple M-Max 64GB 64 GB · 546 GB/s 19.62 GB (31%) Entra comodamente 16.1 tok/s
Mac Studio 128GB 128 GB · 546 GB/s 19.62 GB (15%) Entra comodamente 16.1 tok/s
Mac Studio 192GB 192 GB · 800 GB/s 19.62 GB (10%) Entra comodamente 23.6 tok/s
NVIDIA A100 80GB 80 GB · 2039 GB/s 20.16 GB (25%) Entra comodamente 67.8 tok/s
NVIDIA H100 80GB 80 GB · 3350 GB/s 20.16 GB (25%) Entra comodamente 111.4 tok/s

Parametri verificati dell’architettura Transformer

Checkpoint ID
mistralai/Mistral-Small-3.1-24B-Instruct-2503
Ollama Tag
mistral-small3.1:24b
License / Release
Apache-2.0 · 2025-Q1
Topologia e attenzione
Transformer denso
Meccanismo di attenzione
Attenzione a query raggruppate (GQA)
Parametri totali (B)
24B
Parametri attivi / token (B)
24B
Livelli nascosti / Dimensione nascosta
40 / 5120
Teste di query / Teste KV
32Q / 8KV (d=128)
Vocab / Max Position
131,072 / 131,072

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 Mistral Small 3.1 (24B)

CLI vLLM (RTX 3090 24GB) 
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
Modelfile Ollama 
# 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 serve

Confronta modelli affini e di scala simile a pesi aperti

Devstral Small (24B SWE Agent)

Mistral · 23.6B (GQA)

19.9 GB @ Q4_K_M · RTX 3090 24GB

Codestral 22B

Mistral · 22.2B (GQA)

21.2 GB @ Q4_K_M · RTX 3090 24GB

Mistral Large 2411 (123B)

Mistral · 123B (GQA)

84.2 GB @ Q4_K_M · RTX PRO 6000 96GB

Gemma 3 27B IT (Multimodal)

Google Gemma · 27.4B (HYBRID_SWA)

20.1 GB @ Q4_K_M · RTX 3090 24GB

Qwen3-30B-A3B (MoE)

Qwen · 30.5B (GQA)

21.8 GB @ Q4_K_M · RTX 3090 24GB

GLM-4-32B-0414

Zhipu GLM · 32B (GQA)

21.8 GB @ Q4_K_M · RTX 3090 24GB