Mistral Large 2.1 calculadora TPS

Abre pesos Mistral AI 123B parámetros November 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

38 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

RTX PRO 5000 72 GB Blackwell

72 GB · Q3_K_M · 12.5 tok/s

Tarjeta más rápida

H100 NVL 94 GB

31.3 tok/s · 94 GB

¿Qué GPU pueden ejecutar? Mistral Large 2.1?

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.

38 las tarjetas coinciden

Calculando

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

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: 15 November 2024
Autores: 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…

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, Translation, Code generation, Question answering, Retrieval-augmented generation

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: 123B
Datos de entrenamiento: tokens

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 (non-commercial)
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.

Confianza de registro: Unknown

Fuentes

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

Referencia: Our top-tier large model for high-complexity tasks with the lastest version released November 2024.
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan Mistral Large 2.1

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 Mistral Large 2.1

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

El lado de hardware

Mínima tarjeta

RTX PRO 5000 72 GB Blackwell

Memoria necesaria

60.8 GB

Más rápido

31.3 tok/s

Mistral Large 2.1 llega a un recuento de parámetros de 123B. 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: 38.

En el extremo bajo, se maneja por RTX PRO 5000 72 GB Blackwell, con una capacidad de memoria de 72 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 12.5 tokens por segundo

En el otro extremo se encuentra H100 NVL 94 GB, generando aproximadamente 31.3 tokens por segundo en la fuerza de un ancho de banda de memoria de 3,940 GB/s.

Acerca de este modelo

Mistral Large 2.1 fue publicado por Mistral AI, en el país registrado como France, durante November 2024. Sale de una organización categorizada como industry.

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

Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta. En Hugging Face está publicado bajo la organización mistralai.

Qué tan rápido corre, y por qué

El resultado mediano es alrededor de 17.3 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 36 de ellos.

Cada peso participa en cada token aquí, por lo que el ancho de banda es la historia completa: el ranking a continuación es efectivamente un ranking de rendimiento de memoria.

Su arquitectura interna no está en nuestra base de datos, por lo que la memoria se aproxima a partir del conteo de parámetros y se marca en consecuencia. Se espera que la cifra real difiera, más aún en contextos largos.

Paso a paso

Cómo elegir una GPU para Mistral Large 2.1

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

Empieza desde lo que realmente necesita, que es el requerimiento de Mistral Large 2.1, necesitando alrededor 60.8 GB a una compresión de Q3_K_M. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Decide cuánto duran tus conversaciones.

Las conversaciones más largas consumen memoria además de lo que los pesos necesitan. Mueve el control deslizante a tu longitud de trabajo real antes de confiar en cualquier fila para Mistral Large 2.1.
03

Elige cuán lejos lo comprimirás.

La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa., 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

Clasifica por rendimiento en lugar de la hoja de especificaciones.

El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para Mistral Large 2.1. 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 31.3 tok/s
05

Lee la columna de ajuste al final

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de Mistral Large 2.1. 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

Abre la tarjeta que has elegido.

Seguir un GPU a su propia página muestra cada otro modelo que puede contener, que es la pregunta que sigue una vez que te has decidido por. Mistral Large 2.1.

Respuestas

Mistral Large 2.1 — preguntas comunes

Mistral Large 2.1— ¿Cuánta VRAM necesita?

Necesita aproximadamente 60.8 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.

Mistral Large 2.1— ¿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.

Mistral Large 2.1— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 123B. 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.

Mistral Large 2.1— ¿Quién lo creó?

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

Mistral Large 2.1— ¿cuándo fue lanzado?

Se publicó en November 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.

Mistral Large 2.1— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Translation, Code generation, Question answering, Retrieval-augmented generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.

Mistral Large 2.1— ¿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.

Mistral Large 2.1— ¿Puedo ejecutarlo si no cabe en mi GPU?

En parte. Las capas que no se ajustan se encuentran en la memoria del sistema y funcionan a una fracción de la velocidad, por lo que un modelo mayoritariamente descargado rara vez merece la pena utilizar. El fallo más cercano que calculamos se queda corto por 17.5 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

Mistral Large 2.1— ¿Correrían dos GPUS más rápido?

La capacidad se suma entre las tarjetas; el rendimiento no. El número de tarjetas que ya lo tienen por sí solas: 38. Así que una segunda tarjeta rara vez es la respuesta aquí.

Mistral Large 2.1— ¿Por qué difiere la cuantificación entre tarjetas?

Una tarjeta más grande sostiene una copia más precisa. El número de niveles de compresión utilizados en las tarjetas que la ejecutan: 5. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Mistral Large 2.1— ¿Qué tan precisas son estas estimaciones de velocidad?

Se calculan a partir de especificaciones en lugar de ser medidas, y cada una tiene un rango. Un ejemplo: 19–50 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.

Mistral Large 2.1— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es RTX PRO 5000 72 GB Blackwell, con una capacidad de memoria de 72 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 60.8 GB, y produce aproximadamente 12.5 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 38.

Mistral Large 2.1— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es H100 NVL 94 GB, a aproximadamente 31.3 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: 36.

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