Mixtral 8x22B calculadora TPS

Abre pesos Mistral AI 141B parámetros April 2024

Cada tarjeta a continuación se evalúa en función de este modelo en la longitud de contexto y calidad mínima que elijas. La velocidad es una estimación para una sola solicitud, calculada a partir del ancho de banda de memoria de la tarjeta y el tamaño del modelo una vez comprimido..

Calculado para este modelo

37 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

A100 SXM4 80 GB

80 GB · Q3_K_M · 59.8 tok/s

Tarjeta más rápida

H100 NVL 94 GB

105 tok/s · 94 GB

¿Qué GPU pueden ejecutar? Mixtral 8x22B?

Establecer las entradas, leer la respuesta

Longitud del contexto tokens

Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..

Calidad mínima

Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..

Buscar tarjetas

Memoria de la tarjeta

También muestra tarjetas que no pueden ejecutarlo.

37 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
105 tok/s 63–168 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	76.8 GB	IQ4_XS	Ajustado
99.1 tok/s 59–159 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	101.5 GB	Q5_K_M	Ajustado
98.5 tok/s 59–158 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	68.6 GB	Q3_K_M	Ajustado
98.5 tok/s 59–158 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	68.6 GB	Q3_K_M	Ajustado
89.6 tok/s 54–143 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	76.8 GB	IQ4_XS	Ajustado
86.9 tok/s 52–139 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	150.7 GB	Q8_0	Ajustado
86.9 tok/s 52–139 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	150.7 GB	Q8_0	Cómodo
84.2 tok/s 51–135 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	85.0 GB	Q4_K_M	Ajustado
84.2 tok/s 51–135 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	85.0 GB	Q4_K_M	Ajustado
80.6 tok/s 48–129 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	101.5 GB	Q5_K_M	Ajustado
77.2 tok/s 46–123 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	117.9 GB	Q6_K	Ajustado
77.2 tok/s 46–123 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	117.9 GB	Q6_K	Ajustado
69.4 tok/s 42–111 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	150.7 GB	Q8_0	Cómodo
69.4 tok/s 42–111 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	150.7 GB	Q8_0	Cómodo
59.8 tok/s 36–96 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	68.6 GB	Q3_K_M	Ajustado
59.8 tok/s 36–96 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	68.6 GB	Q3_K_M	Ajustado
59.8 tok/s 36–96 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	68.6 GB	Q3_K_M	Ajustado
59.8 tok/s 36–96 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	68.6 GB	Q3_K_M	Ajustado
59.8 tok/s 36–96 · baja confianza	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	68.6 GB	Q3_K_M	Ajustado
59.8 tok/s 36–96 · baja confianza	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	68.6 GB	Q3_K_M	Ajustado
56.9 tok/s 34–91 · baja confianza	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	68.6 GB	Q3_K_M	Ajustado
56.9 tok/s 34–91 · baja confianza	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	68.6 GB	Q3_K_M	Ajustado
50.8 tok/s 30–81 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	150.7 GB	Q8_0	Cómodo
49.6 tok/s 30–79 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	101.5 GB	Q5_K_M	Ajustado
49.6 tok/s 30–79 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	101.5 GB	Q5_K_M	Ajustado

Las velocidades son estimaciones para una sola solicitud — una conversación a la vez — calculadas a partir del ancho de banda de memoria, el tamaño del modelo y la cuantificación. El rendimiento real varía con el tiempo de inferencia y su versión. Las cifras publicadas por los proveedores de hardware miden muchas solicitudes simultáneas y son mucho más altas..

En registro

especificación completa

Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..

Origen

Quién construyó este modelo, dónde, y cuándo fue publicado.

Organización: Mistral AI
Tipo de Organización: Industry
País: France
Publicado: 17 April 2024
Autores: Albert Jiang, Alexandre Sablayrolles, Alexis Tacnet, Antoine Roux, Arthur Mensch, Audrey Herblin-Stoop, Baptiste Bout, Baudouin de Monicault,Blanche Savary, Bam4d, Caroline Feldman, Devendra Singh Chaplot, Diego de las Casas, Eleonore Arcelin, Emma Bou Hanna, Etienne Metzger, Gianna Lengyel, Guillaume Bour, Guillaume Lample, Harizo Rajaona, Jean-Malo Delignon, Jia Li, Justus Murke, Louis Martin, L…

Lo que hace

Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.

Dominio: Language
Tarea: Language modeling/generation, Code generation, Translation, Quantitative reasoning, Question answering
Enfoque: Self-supervised learning

Tamaño

Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.

parámetros: 141B
Datos de entrenamiento: tokens

Cómputo de entrenamiento

La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.

Cómputo de entrenamiento: 2.3 × 10²⁴ FLOP
Cómo se estableció: Operation counting

Disponibilidad

Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.

Pesos: Open — downloadable
Acceso al modelo: Open weights (unrestricted)
Código de entrenamiento: Unreleased
Hugging Face: mistralai

Cómo está clasificado

Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.

Probablemente por encima de 10²³ FLOP: Yes
Confianza de registro: Speculative

Fuentes

De dónde proviene este registro y cuándo fue comprobado por última vez.

Referencia: Mixtral 8x22B
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan Mixtral 8x22B

Clasificado por tokens estimados por segundo, la tarjeta más nueva primero donde las velocidades están empatadas. Debido a que la generación está limitada por el ancho de banda de memoria, este orden sigue el ancho de banda en lugar de cualquier referencia de juego..

Las GPUs más pequeñas que aún funcionan Mixtral 8x22B

La ruta más barata para entrar, por capacidad de memoria. Un ajuste apretado ejecuta el modelo pero no deja nada de sobra para una conversación más larga..

Qué significan los números

Lo que se necesita para ejecutar este modelo

Mínima tarjeta

A100 SXM4 80 GB

Memoria necesaria

68.6 GB

Más rápido

105 tok/s

Mixtral 8x22B llega a un recuento de parámetros de 141B. Eso lo coloca por encima del hardware de consumo, en el rango donde se compra una tarjeta para este propósito en lugar de ser reutilizada para ello. El número de tarjetas que seguimos que pueden contenerlo: 37.

La tarjeta más pequeña que lo sostiene es A100 SXM4 80 GB, con una capacidad de memoria de 80 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 59.8 tokens por segundo

Gama alta es H100 NVL 94 GB, generando aproximadamente 105 tokens por segundo en la fuerza de un ancho de banda de memoria de 3,940 GB/s.

Qué es este modelo

Mixtral 8x22B fue publicado por Mistral AI, en el país registrado como France, durante April 2024. La categoría en la que se encuentra el editor es industry.

Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation, Code generation, Translation, Quantitative reasoning, Question answering.

Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado. En Hugging Face está publicado bajo la organización mistralai.

Qué decide la velocidad

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 59.8 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 35 de ellos.

Porque enruta cada token a través de un subconjunto de sus weights, produce texto al ritmo de un modelo mucho más pequeño. El inconveniente es la memory: toda tiene que caber, así que la velocidad es una bonificación en lugar de un descuento en hardware.

Sin el diseño de atención en nuestro archivo, la columna de memoria es una aproximación. Es lo suficientemente cercana como para elegir hardware, y menos confiable en contexto largo.

Cómo fue entrenado

El entrenamiento consumió alrededor de 2.3 × 10²⁴ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

Paso a paso

Cómo elegir una GPU para Mixtral 8x22B

La tabla de arriba ya ha evaluado cada tarjeta para la que tenemos especificaciones en contra de este modelo. Llegar a tu respuesta toma seis pasos..

01

Comienza desde la columna de memoria

Cada tarjeta aquí ha sido verificada contra Mixtral 8x22B, necesitando alrededor 68.6 GB a una compresión de Q3_K_M. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Establece la longitud de contexto en la que trabajarás.

La conversación ocupa memoria también, y crece a medida que avanza. Ajusta el controlador a la longitud que esperas, porque en un contexto largo una CARD que maneja preguntas cortas fácilmente puede no encajar. Mixtral 8x22B.
03

Establecer un umbral de calidad

La compresión es lo que hace que un modelo quepa en tarjetas más pequeñas, a costa de cierta precisión., alcanzando una compresión de Q3_K_M en la tarjeta más pequeña que cabe. Establecer una calidad mínima elimina las tarjetas que solo la manejan apretando más de lo que desearías, y mantiene la comparación en un nivel.
04

Ordenar por velocidad

Ordenar por velocidad para ver cómo se clasifican las tarjetas por Mixtral 8x22B. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria. La tarjeta que encabeza la lista es H100 NVL 94 GB, en 105 tok/s
05

Mira el margen, no solo la compatibilidad.

Tight significa que se carga y funciona sin espacio para aumentar el contexto más tarde, en el caso de Mixtral 8x22B. Cómodo significa que puedes aumentar el contexto más adelante. Esa diferencia importa más que unos pocos tokens por segundo, así que compra por cómodo si esperas hacerlo.
06

Mira qué más ejecuta esa tarjeta

Cada nombre de tarjeta enlaza a su propia página, que ejecuta el mismo cálculo en todo el catálogo del modelo. Una tarjeta generalmente se compra para más de un modelo, por lo que vale la pena echar un vistazo antes de comprar para Mixtral 8x22B.

Respuestas

Mixtral 8x22B — preguntas comunes

Mixtral 8x22B— ¿Dónde puedo descargarlo?

Sus pesos están publicados en Hugging Face, bajo la organización mistralai. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.

Mixtral 8x22B— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 2.3 × 10²⁴ FLOP. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.

Mixtral 8x22B— ¿Puedo ejecutarlo si no cabe en mi GPU?

Se puede dividir entre la tarjeta y la memoria del sistema, pero se genera muy lentamente de esa manera. El fallo más cercano que calculamos se queda corto por 20.2 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

Mixtral 8x22B— ¿Correrían dos GPUS más rápido?

Una segunda tarjeta duplica aproximadamente la memoria disponible, pero no la tasa de generación. El número ya capaz de ejecutarlo solo: 37. Así que una segunda tarjeta rara vez es la respuesta aquí.

Mixtral 8x22B— ¿Por qué difiere la cuantificación entre tarjetas?

Cada tarjeta se muestra ejecutando la copia menos comprimida que puede contener. El número de niveles de compresión distintos entre las tarjetas que lo soportan: 6. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Mixtral 8x22B— ¿Qué tan precisas son estas estimaciones de velocidad?

Cada cifra se deriva del ancho de banda de VRAM y del tamaño del modelo, no está basado en benchmarks, por lo que cada una se publica como un rango en lugar de un solo número. Un ejemplo: 63–168 tok/s en H100 NVL 94 GB. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.

Mixtral 8x22B— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es A100 SXM4 80 GB, con una capacidad de memoria de 80 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 68.6 GB, y produce aproximadamente 59.8 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 37.

Mixtral 8x22B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es H100 NVL 94 GB, a aproximadamente 105 tokens por segundo; el más lento que aún lo ejecuta consigue considerablemente menos. La velocidad de lectura es de alrededor de diez tokens por segundo, y el número de cards que logran eso: 35.

Mixtral 8x22B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 68.6 GB a una compresión de Q3_K_M, cuál es la tarjeta más pequeña que lo ejecuta. Menos compresión necesita más: las cifras en la columna de memoria anterior se recalculan para cada tarjeta, porque cada una sostiene la versión menos comprimida que puede.

Mixtral 8x22B— ¿Es de código abierto?

Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.

Mixtral 8x22B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 141B. 141B params, 39B active: https://mistral.ai/news/mixtral-8x22b/. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.

Mixtral 8x22B— ¿Quién lo creó?

Fue publicado por Mistral AI, basado en France, una organización categorizada como industry.

Mixtral 8x22B— ¿cuándo fue lanzado?

Se publicó en April 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.

Mixtral 8x22B— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Code generation, Translation, Quantitative reasoning, Question answering. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

Origen

Publicación original

Última actualización registrada 28 November 2025

La otra dirección

¿Mirándolo desde el otro lado?

Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.

Todos los modelos de IA