Mistral Small 3.1 (24B) — 必要VRAM・量子化マトリクス & 推奨GPUガイド
Mistral Small 3.1 (24B)（Mistral、Apache-2.0）は常駐パラメータ 24B（トークンあたり有効 24B）、40 層、最大 131,072 コンテキストトークンに対応する グループ化クエリアテンション (GQA) 採用の Dense Transformer（密モデル） アーキテクチャです。
Mistral Small 3.1 (24B) インタラクティブ・メモリ & コンテキストシミュレーター
精度・量子化別 VRAMマトリクス（8K / 32K / 128K コンテキスト）
| 精度 / 形式 | 実効 bpw | 重みのみ | 合計 @ 8K ctx | 合計 @ 32K ctx | 合計 @ 128K ctx | 推奨構成 (@ 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 |
ハードウェア互換性 & デコード速度（Mistral Small 3.1 (24B) @ Q4_K_M, 32K コンテキスト）
| ハードウェア構成 | メモリ & 帯域幅 | 必要量 (32K) | 収容判定 | 推定デコード速度 |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 20.16 GB (84%) | ギリギリ収容 (>90%使用) | 29.4 tok/s |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 20.16 GB (84%) | ギリギリ収容 (>90%使用) | 31.7 tok/s |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 20.16 GB (63%) | 余裕で収容可能 | 56.3 tok/s |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 19.62 GB (31%) | 余裕で収容可能 | 16.1 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 19.62 GB (15%) | 余裕で収容可能 | 16.1 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 19.62 GB (10%) | 余裕で収容可能 | 23.6 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 20.16 GB (25%) | 余裕で収容可能 | 67.8 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 20.16 GB (25%) | 余裕で収容可能 | 111.4 tok/s |
検証済み Transformer アーキテクチャ仕様
- Checkpoint ID
- mistralai/Mistral-Small-3.1-24B-Instruct-2503
- Ollama Tag
- mistral-small3.1:24b
- License / Release
- Apache-2.0 · 2025-Q1
- 構造 & アテンション
- Dense Transformer（密モデル）
- アテンション機構
- グループ化クエリアテンション (GQA)
- 総パラメータ数 (B)
- 24B
- 有効パラメータ / Token (B)
- 24B
- 隠れ層数 (Layers) / 隠れ層次元 (Hidden Size)
- 40 / 5120
- クエリヘッド数 / KVヘッド数
- 32Q / 8KV (d=128)
- Vocab / Max Position
- 131,072 / 131,072
量子化フォーマットはパックされた整数重みに加えてブロック単位のスケール係数とゼロポイントを保持します。4bit GGUF の Q4_K_M はパラメータあたり平均 4.85 実効ビット（4.00ではない）、Q8_0 は平均 8.50 bpw を消費します。Mixture-of-Experts モデルではトークンごとのホストページングを防ぐため、ルーティング対象および共有エキスパートのすべてがメモリ上に常駐します。
標準的な Grouped-Query Attention は全層で 2 × L × H_kv × d_head × S × B × bytes_kv を確保します。DeepSeek Multi-head Latent Attention (MLA) はKeyとValueを L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv へ圧縮し、長文脈メモリを90%以上削減します。ハイブリッド・スライディングウィンドウはローカル層の消費を min(S, window_size) に抑えつつグローバル層のみ S に比例して拡張します。
Mistral Small 3.1 (24B) 用 vLLM & Ollama クイック起動コマンド
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 serve同系列・同規模のオープンウェイトモデルを比較
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)