Mistral Large 2 TPS-Rechner

Offene Gewichte Mistral AI 123B Parameter July 2024

Jede Karte unten wird anhand dieses Modells bei der von Ihnen gewählten Kontextlänge und Mindestqualität bewertet. Geschwindigkeit ist eine Schätzung für eine einzelne Anfrage, berechnet aus der Speicherbandbreite der Karte und der Größe des Modells, sobald es komprimiert ist..

Für dieses Modell berechnet

38 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

RTX PRO 5000 72 GB Blackwell

72 GB · Q3_K_M · 12.5 tok/s

Schnellste Karte

H100 NVL 94 GB

31.3 tok/s · 94 GB

Welche GPUs können laufen Mistral Large 2?

Setze die Eingaben, lies die Antwort

Kontextlänge Token

Ein längeres Gespräch benötigt mehr MEMORY, was dieses Modell von kleineren CARDS drängen kann..

Minimale Qualität

Blendet Karten aus, die nur durch Komprimierung unter diesen Punkt in das Modell passen würden..

Suchkarten

Karten-VRAM

Zeige auch Karten, die es nicht ausführen können.

38 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
31.3 tok/s 19–50 · niedrige Vertrauenswürdigkeit	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	75.1 GB	Q4_K_M	knapp
28.4 tok/s 17–45 · niedrige Vertrauenswürdigkeit	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	68.0 GB	IQ4_XS	knapp
28.4 tok/s 17–45 · niedrige Vertrauenswürdigkeit	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	68.0 GB	IQ4_XS	knapp
27.6 tok/s 17–44 · niedrige Vertrauenswürdigkeit	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	132.4 GB	Q8_0	Komfortabel
27.6 tok/s 17–44 · niedrige Vertrauenswürdigkeit	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	132.4 GB	Q8_0	Komfortabel
26.7 tok/s 16–43 · niedrige Vertrauenswürdigkeit	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.1 GB	Q4_K_M	knapp
26.7 tok/s 16–43 · niedrige Vertrauenswürdigkeit	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	75.1 GB	Q4_K_M	knapp
26.7 tok/s 16–43 · niedrige Vertrauenswürdigkeit	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.1 GB	Q4_K_M	knapp
25.6 tok/s 15–41 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	103.8 GB	Q6_K	knapp
24.5 tok/s 15–39 · niedrige Vertrauenswürdigkeit	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	103.8 GB	Q6_K	Komfortabel
24.5 tok/s 15–39 · niedrige Vertrauenswürdigkeit	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	103.8 GB	Q6_K	Komfortabel
22.0 tok/s 13–35 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	132.4 GB	Q8_0	Komfortabel
22.0 tok/s 13–35 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	132.4 GB	Q8_0	Komfortabel
20.8 tok/s 12–33 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	103.8 GB	Q6_K	knapp
17.3 tok/s 10–28 · niedrige Vertrauenswürdigkeit	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	68.0 GB	IQ4_XS	knapp
17.3 tok/s 10–28 · niedrige Vertrauenswürdigkeit	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	68.0 GB	IQ4_XS	knapp
17.3 tok/s 10–28 · niedrige Vertrauenswürdigkeit	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	68.0 GB	IQ4_XS	knapp
17.3 tok/s 10–28 · niedrige Vertrauenswürdigkeit	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	68.0 GB	IQ4_XS	knapp
17.3 tok/s 10–28 · niedrige Vertrauenswürdigkeit	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	68.0 GB	IQ4_XS	knapp
17.3 tok/s 10–28 · niedrige Vertrauenswürdigkeit	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	68.0 GB	IQ4_XS	knapp
16.4 tok/s 10–26 · niedrige Vertrauenswürdigkeit	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	68.0 GB	IQ4_XS	knapp
16.4 tok/s 10–26 · niedrige Vertrauenswürdigkeit	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	68.0 GB	IQ4_XS	knapp
16.1 tok/s 10–26 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	132.4 GB	Q8_0	Komfortabel
14.3 tok/s 9–23 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	132.4 GB	Q8_0	Komfortabel
14.3 tok/s 9–23 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	132.4 GB	Q8_0	Komfortabel

Die Geschwindigkeiten sind Schätzungen für eine einzelne Anfrage — ein Gespräch zur Zeit — berechnet aus BANDWIDTH, MODELLGRÖSSE und QUANTISIERUNG. Der tatsächliche Durchsatz variiert mit der INFERENZLAUFZEIT und ihrer Version. Zahlen, die von Hardwareanbietern veröffentlicht wurden, messen viele gleichzeitige Anfragen und sind viel höher..

Aufgezeichnet

Volle Spezifikation

Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..

Ursprung

Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.

Organisation: Mistral AI
Organisationsart: Industry
Land: France
Veröffentlicht: 24 July 2024
Autoren: Albert Jiang, Alexandre Sablayrolles, Alexis Tacnet, Alok Kothari, Antoine Roux, Arthur Mensch, Audrey Herblin-Stoop, Augustin Garreau, Austin Birky, Bam4d, Baptiste Bout, Baudouin de Monicault, Blanche Savary, Carole Rambaud, Caroline Feldman, Devendra Singh Chaplot, Diego de las Casas, Diogo Costa, Eleonore Arcelin, Emma Bou Hanna, Etienne Metzger, Gaspard Blanchet, Gianna Lengyel, Guillaume Bou…

Was es tut

Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.

Domain: Language
Aufgabe: Language modeling/generation, Translation, Code generation

Größe

Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.

Parameter: 123B
Trainingsdaten: tokens

Training-Compute

Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.

Wie es etabliert wurde: Hardware,Cost,Benchmarks

Verfügbarkeit

Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.

Gewichte: Open — downloadable
Modellzugang: Open weights (non-commercial)
Training-Code: Unreleased
Hugging Face: mistralai

Wie es klassifiziert ist

Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.

Wahrscheinlich über 10²³ FLOP: Yes
Warum es verfolgt wird: Training cost
Aufzeichnungsgenauigkeit: Likely

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: Top-tier reasoning for high-complexity tasks, for your most sophisticated needs.
Zuletzt aktualisiert: 21 July 2026

Die Extreme

Die zehn schnellsten GPUs, die RUN. Mistral Large 2

Sortiert nach geschätzten Tokens pro Sekunde, neueste Karte zuerst, wenn die Geschwindigkeiten gleich sind. Da die Generierung durch die Speichermenge begrenzt ist, folgt diese Reihenfolge der Bandbreite und nicht einem Gaming-Benchmark..

Die kleinsten GPUs, die immer noch laufen Mistral Large 2

Die günstigste Route herein, nach Speichergröße. Ein enger Fit läuft das Modell, lässt aber nichts für ein längeres Gespräch übrig..

Was die Zahlen bedeuten

Die Hardware-Seite

Minimale Karte

RTX PRO 5000 72 GB Blackwell

Benötigter Speicher

60.8 GB

Schnellste

31.3 tok/s

Mistral Large 2 erreicht eine Parameteranzahl von 123B. Das platziert es über Consumer-Hardware, in den Bereich, wo eine Karte für diesen Zweck gekauft wird, anstatt dafür umfunktioniert zu werden. Die Anzahl der Karten, die wir verfolgen, die es halten können: 38.

Am unteren Ende wird es von RTX PRO 5000 72 GB Blackwell, mit einer MEMORY-KAPAZITÄT von 72 GB, es mit einer Kompression von Q3_K_M und produziert etwa 12.5 Token pro Sekunde

Die schnellste Berechnung dafür ist H100 NVL 94 GB, generieren ungefähr 31.3 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 3,940 GB/s.

Über dieses Modell

Mistral Large 2 wurde veröffentlicht von Mistral AI, im Land aufgezeichnet als France, während July 2024. Die veröffentlichende Organisation ist als industry.

Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation, Translation, Code generation.

Das Offen-Wiegen ist es, was diese Seite in den Rechner anstatt nur in den Katalog bringt: es ist ein Modell, das man tatsächlich halten kann. Es ist unter der Organisation auf Hugging Face veröffentlicht. mistralai.

Wie schnell es läuft und warum

Die Hälfte der CARDS, die es halten, schaffen mehr als 17.3 Token pro Sekunde. 36 von ihnen

Jedes Gewicht beteiligt sich hier an jedem Token, daher ist die Bandbreite die gesamte Geschichte: Das Ranking unten ist effektiv ein Ranking des Speicher-Durchsatzes.

Die interne Architektur ist nicht in unserer Datenbank, daher wird der Speicher basierend auf der Anzahl der Parameter approximiert und entsprechend gekennzeichnet. Erwarten Sie, dass die tatsächliche Zahl abweicht, insbesondere bei langen Kontexten.

Was in den Aufbau geflossen ist

Der Grund, warum es überhaupt in diesem Katalog erscheint: training cost.

Schritt für Schritt

Wie wählt man eine GPU für Mistral Large 2

Die obige Tabelle hat bereits jede Karte, für die wir Spezifikationen haben, mit diesem Modell verglichen. Um zu Ihrer Antwort zu gelangen, sind sechs Schritte erforderlich..

01

Beginnen Sie mit der Speicher-Spalte

Jede Karte hier wurde geprüft gegen Mistral Large 2, benötigt ungefähr 60.8 GB bei einer Kompression von Q3_K_M. Diese Zahl, nicht die Überschriftleistung einer Karte, entscheidet darüber, ob sie läuft.
02

Passen Sie den Kontext an Ihre tatsächliche Verwendung an

Setze den Kontext auf das, was du tatsächlich verwenden wirst. Der Cache wächst mit dem Gespräch, und es ist der übliche Grund, warum eine Karte, die anfangs passend schien, nicht mehr passt. Mistral Large 2.
03

Setze eine Qualitätsuntergrenze

Kompression ist das, was ein Modell auf kleinere GPU-Karten passt, mit einem gewissen Verlust an Genauigkeit., eine Kompression von Q3_K_M auf der kleinsten Karte, die passt. Das Festlegen einer Mindestqualität fallen die Karten weg, die es nur schaffen, indem sie weiter gedrückt werden, als man möchte, und hält den Vergleich auf einem Niveau.
04

Nach Durchsatz und nicht nach Spezifikationen sortieren

Die Geschwindigkeitsreihenfolge ist effektiv eine Reihenfolge nach Speicherbandbreite, für Mistral Large 2. Es wird nicht mit einer Gaming-Bestellung übereinstimmen, da die Generation durch MEMORY-BANDWIDTH gebunden ist. Die Karte, die die Liste anführt, ist H100 NVL 94 GB, bei 31.3 tok/s
05

Achte auf den Spielraum, nicht nur auf das Passende.

Die Passform-Spalte trennt Karten, die es gerade so schaffen, von denen mit ausreichend Platz, im Falle von Mistral Large 2. Komfortabel bedeutet, dass Sie den Kontext später erweitern können. Dieser Unterschied zählt mehr als ein paar Token pro Sekunde, also kaufen Sie für komfortabel, wenn Sie damit rechnen.
06

Öffnen Sie die Karte, die Sie ausgewählt haben

Das Folgen einer Karte zu ihrer eigenen Seite zeigt jedes andere Modell, das sie halten kann, was die Frage ist, die folgt, sobald Sie sich festgelegt haben. Mistral Large 2.

Antworten

Mistral Large 2 — Häufige Fragen

Mistral Large 2— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist H100 NVL 94 GB, ungefähr 31.3 Tokens pro Sekunde; die langsamste, die es immer noch ausführt, schafft erheblich weniger. Die Lesegeschwindigkeit liegt bei etwa zehn Tokens pro Sekunde, und die Anzahl der Karten, die das bewältigen: 36.

Mistral Large 2— Wie viel VRAM benötigt es?

Es benötigt etwa 60.8 GB bei einer Kompression von Q3_K_M, welche das ist, was die kleinste Karte, die es ausführt, verwendet. Weniger Kompression braucht mehr: die Zahlen in der Spalte für den Speicher oben werden für jede Karte neu berechnet, da jede die am wenigsten komprimierte Version, die sie kann, speichert.

Mistral Large 2— Ist es Open-Source?

Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.

Mistral Large 2— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 123B. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.

Mistral Large 2— Wer hat es erstellt?

Es wurde veröffentlicht von Mistral AI, basiert auf France, eine als kategorisierte Organisation industry.

Mistral Large 2— Wann wurde es veröffentlicht?

Es wurde veröffentlicht in July 2024. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.

Mistral Large 2— Wofür wird es verwendet?

Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation, Translation, Code generation. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.

Mistral Large 2— Wo kann ich es herunterladen?

Seine Gewichte sind auf Hugging Face veröffentlicht, unter der Organisation mistralai. Wir hosten keine Modell-Dateien — diese Seite berechnet, welche Hardware benötigt wird, um sie auszuführen.

Mistral Large 2— Kann ich es ausführen, wenn es nicht in meine GPU passt?

Nur durch Abladen, was normalerweise eine falsche Wirtschaftlichkeit ist: der Teil, der im System-Speicher gehalten wird, zieht das Ganze nach unten. Die nächste verpasste Berechnung bleibt hinter 17.5 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

Mistral Large 2— Würden zwei GPUs es schneller ausführen?

Eine zweite Karte verdoppelt grob den verfügbaren Speicher, aber nicht die Generationsrate. Die Anzahl, die bereits in der Lage ist, es allein auszuführen: 38. So eine zweite Karte ist hier selten die Antwort.

Mistral Large 2— Warum unterscheidet sich die Quantisierung zwischen Karten?

Jede Karte wird mit der am wenigsten komprimierten Kopie angezeigt, die sie halten kann. Die Anzahl der verschiedenen Komprimierungsstufen über die Karten, die sie passen: 5. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.

Mistral Large 2— Wie genau sind diese Geschwindigkeitsabschätzungen?

Jede Zahl leitet sich von VRAM-Bandbreite und Modellgröße ab, nicht benchmarked, weshalb jede als Bereich und nicht als einzelne Zahl veröffentlicht wird. Ein Beispiel: 19–50 tok/s auf H100 NVL 94 GB. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

Mistral Large 2— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist RTX PRO 5000 72 GB Blackwell, mit einer MEMORY-KAPAZITÄT von 72 GB. Es führt das Modell mit einer Kompression von Q3_K_M verwenden von etwa 60.8 GB, und produziert ungefähr 12.5 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 38.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 21 July 2026

Die andere Richtung

Von der anderen Seite aus betrachten?

Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.

Alle KI-Modelle