VRAM de Mistral Small 3.1 (24B), Tamanhos GGUF e Guia de GPU

Simulador Interativo de Memória e Contexto para Mistral Small 3.1 (24B)

Quantização de Pesos (bpw)

Precisão do Cache KV

GPU Alvo / Nível de Memória Unificada

Dispositivos (TP)

Tamanho do Contexto (tokens) 32,768 tokens

Detalhamento de Memória e Teto de Largura de Banda

Ajuste Apertado (>90% Útil)

Pesos do Modelo: 67.2% KV: 24.8% Overhead: 8%

Memória Total Necessária

20.16 GB

Alocação por Dispositivo: 20.16 GB

Pesos do Modelo

13.55 GB

Cache KV (FP16): 5.00 GB

Decodificação Est. (1 Fluxo)

29.4 tok/s

Sobrecarga de Runtime e TP: 1.61 GB

Contexto Máx. Antes de OOM

53,954

tokens

A compressão arquitetural de KV economiza 75.0% vs MHA FP16 ingênuo (20.00 GB).

Matriz de VRAM por Precisão e Quantização (Contexto 8K / 32K / 128K)

Memória total de GPU exigida por precisão de pesos e tamanho de contexto (batch = 1, cache KV FP16)
Precisão / Formato	bpw Efetivo	Apenas Pesos	Total @ 8K ctx	Total @ 32K ctx	Total @ 128K ctx	Nível Recomendado (@ 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

Compatibilidade de Hardware e Velocidade de Decodificação (Mistral Small 3.1 (24B) @ Q4_K_M, 32K)

Status de ajuste, uso de memória e vazão estimada de decodificação nas principais GPUs e Apple Silicon
Nível de Hardware	Memória e Banda	Exigido (32K)	Veredito de Ajuste	Velocidade Est.
RTX 3090 24GB	24 GB · 936 GB/s	20.16 GB (84%)	Ajuste Apertado (>90% Útil)	29.4 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	20.16 GB (84%)	Ajuste Apertado (>90% Útil)	31.7 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	20.16 GB (63%)	Cabe com Folga	56.3 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	19.62 GB (31%)	Cabe com Folga	16.1 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	19.62 GB (15%)	Cabe com Folga	16.1 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	19.62 GB (10%)	Cabe com Folga	23.6 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	20.16 GB (25%)	Cabe com Folga	67.8 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	20.16 GB (25%)	Cabe com Folga	111.4 tok/s

Parâmetros Verificados da Arquitetura 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 Atenção: Transformer Denso
Mecanismo de Atenção: Atenção de Consulta Agrupada (GQA)
Parâmetros Totais (B): 24B
Parâmetros Ativos / Token (B): 24B
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 Mistral Small 3.1 (24B)

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