Devstral Small (24B SWE Agent) — Requisitos de VRAM, Matriz de Quantização e Guia de GPU
Devstral Small (24B SWE Agent) (Mistral, Apache-2.0) é uma arquitetura Transformer Denso com 23.6B parâmetros residentes (23.6B ativos por token), 40 camadas e Atenção de Consulta Agrupada (GQA) suportando até 131,072 tokens de contexto.
Simulador Interativo de Memória e Contexto para Devstral Small (24B SWE Agent)
Matriz de VRAM por Precisão e Quantização (Contexto 8K / 32K / 128K)
| Precisão / Formato | bpw Efetivo | Apenas Pesos | Total @ 8K ctx | Total @ 32K ctx | Total @ 128K ctx | Nível Recomendado (@ 32K) |
|---|---|---|---|---|---|---|
| FP16 / BF16 | 16.00 bpw | 43.96 GB | 47.73 GB | 51.48 GB | 66.48 GB | NVIDIA A100 80GB |
| FP8 | 8.50 bpw | 23.35 GB | 26.51 GB | 30.26 GB | 45.26 GB | RTX 5090 32GB |
| Q8_0 | 8.50 bpw | 23.35 GB | 26.51 GB | 30.26 GB | 45.26 GB | RTX 5090 32GB |
| Q6_K | 6.56 bpw | 18.02 GB | 21.02 GB | 24.77 GB | 39.77 GB | RTX 5090 32GB |
| Q5_K_M | 5.69 bpw | 15.63 GB | 18.55 GB | 22.30 GB | 37.30 GB | RTX 3090 24GB |
| Q4_K_M | 4.85 bpw | 13.32 GB | 16.18 GB | 19.93 GB | 34.93 GB | RTX 3090 24GB |
| AWQ INT4 | 4.50 bpw | 12.36 GB | 15.19 GB | 18.94 GB | 33.94 GB | RTX 3090 24GB |
| IQ4_XS | 4.25 bpw | 11.68 GB | 14.48 GB | 18.23 GB | 33.23 GB | RTX 3090 24GB |
Compatibilidade de Hardware e Velocidade de Decodificação (Devstral Small (24B SWE Agent) @ Q4_K_M, 32K)
| Nível de Hardware | Memória e Banda | Exigido (32K) | Veredito de Ajuste | Velocidade Est. |
|---|---|---|---|---|
| RTX 3090 24GB | 24 GB · 936 GB/s | 19.93 GB (83%) | Ajuste Apertado (>90% Útil) | 29.8 tok/s |
| RTX 4090 24GB | 24 GB · 1008 GB/s | 19.93 GB (83%) | Ajuste Apertado (>90% Útil) | 32.0 tok/s |
| RTX 5090 32GB | 32 GB · 1792 GB/s | 19.93 GB (62%) | Cabe com Folga | 57.0 tok/s |
| Apple M-Max 64GB | 64 GB · 546 GB/s | 19.39 GB (30%) | Cabe com Folga | 16.3 tok/s |
| Mac Studio 128GB | 128 GB · 546 GB/s | 19.39 GB (15%) | Cabe com Folga | 16.3 tok/s |
| Mac Studio 192GB | 192 GB · 800 GB/s | 19.39 GB (10%) | Cabe com Folga | 23.9 tok/s |
| NVIDIA A100 80GB | 80 GB · 2039 GB/s | 19.93 GB (25%) | Cabe com Folga | 68.6 tok/s |
| NVIDIA H100 80GB | 80 GB · 3350 GB/s | 19.93 GB (25%) | Cabe com Folga | 112.8 tok/s |
Parâmetros Verificados da Arquitetura Transformer
- Checkpoint ID
- mistralai/Devstral-Small-2505
- Ollama Tag
- devstral:24b
- License / Release
- Apache-2.0 · 2025-Q2
- Topologia e Atenção
- Transformer Denso
- Mecanismo de Atenção
- Atenção de Consulta Agrupada (GQA)
- Parâmetros Totais (B)
- 23.6B
- Parâmetros Ativos / Token (B)
- 23.6B
- Camadas Ocultas / Dimensão Oculta
- 40 / 5120
- Cabeças de Consulta / Cabeças KV
- 32Q / 8KV (d=128)
- Vocab / Max Position
- 131,072 / 131,072
Formatos quantizados armazenam fatores de escala e pontos zero por bloco junto aos pesos inteiros compactados. Um checkpoint GGUF Q4_K_M de 4 bits tem média de 4,85 bits efetivos por parâmetro (e não 4,00), enquanto Q8_0 tem média de 8,50 bpw. Em modelos Mixture-of-Experts, todos os especialistas roteados e compartilhados permanecem residentes na memória para evitar paginação a cada token.
O Grouped-Query Attention padrão aloca 2 × L × H_kv × d_head × S × B × bytes_kv entre as camadas. O DeepSeek Multi-head Latent Attention (MLA) comprime chaves e valores em L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, cortando a memória de contexto longo em mais de 90%. Modelos híbridos de janela deslizante limitam camadas de atenção local a min(S, window_size) enquanto escalam camadas globais linearmente com S.
Comandos Rápidos de vLLM e Ollama para Devstral Small (24B SWE Agent)
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# 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 serveComparar Modelos Irmãos e de Escala Semelhante
Mistral Small 3.1 (24B)
Mistral · 24B (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)