Mistral Large 2 calculateur TPS

Ouvrir les poids Mistral AI 123B paramètres July 2024

Chaque carte ci-dessous est évaluée par rapport à ce modèle à la longueur de contexte et à la qualité minimale que vous choisissez. La vitesse est une estimation pour une demande unique, calculée à partir de la bande passante mémoire de la carte et de la taille du modèle une fois compressé..

Calculé pour ce modèle

38 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

RTX PRO 5000 72 GB Blackwell

72 GB · Q3_K_M · 12.5 tok/s

Carte la plus rapide

H100 NVL 94 GB

31.3 tok/s · 94 GB

Quelles GPU peuvent exécuter Mistral Large 2?

Définir les entrées, lire la réponse

Longueur de contexte jetons

Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..

Qualité minimale

Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..

Recherche de cartes

Mémoire de carte

Montrez aussi les cartes qui ne peuvent pas le faire.

38 cartes correspondent

Calcul en cours

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

Les vitesses sont des estimations pour une seule demande — une conversation à la fois — calculées à partir de la bande passante de la mémoire, de la taille du modèle et de la quantification. Le débit réel varie avec le temps d'exécution d'inférence et sa version. Les chiffres publiés par les fournisseurs de matériel mesurent de nombreuses demandes simultanées et sont beaucoup plus élevés..

Enregistrement

Spécifications complètes

Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..

Origine

Qui a construit ce modèle, où, et quand il a été publié.

Organisation: Mistral AI
Type d'organisation: Industry
Pays: France
Publié: 24 July 2024
Auteurs: 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…

Ce qu'il fait

Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.

Domaine: Language
Tâche: Language modeling/generation, Translation, Code generation

Taille

Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.

paramètres: 123B
Données d'entraînement: tokens

Calcul de formation

L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.

Comment cela a été établi: Hardware,Cost,Benchmarks

Disponibilité

Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.

Poids: Open — downloadable
Accès au modèle: Open weights (non-commercial)
Code d'entraînement: Unreleased
Hugging Face: mistralai

Comment il est classé

Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.

Probablement au-dessus de 10²³ FLOP: Yes
Pourquoi c'est suivi: Training cost
Confiance d'enregistrement: Likely

Sources

D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.

Référence: Top-tier reasoning for high-complexity tasks, for your most sophisticated needs.
Dernière mise à jour: 21 July 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent Mistral Large 2

Classé par tokens par seconde estimés, la carte la plus récente en premier lorsque les vitesses se rejoignent. Étant donné que la génération est limitée par la bande passante de la mémoire, cet ordre suit la bande passante plutôt que tout indice de jeu..

Les plus petits GPU qui fonctionnent encore Mistral Large 2

Le chemin le moins cher, par capacité de mémoire. Un ajustement serré exécute le modèle mais ne laisse rien de libre pour une conversation plus longue..

Ce que les chiffres signifient

Le côté matériel

Carte minimale

RTX PRO 5000 72 GB Blackwell

Mémoire requise

60.8 GB

Le plus rapide

31.3 tok/s

Mistral Large 2 atteint un nombre de paramètres de 123B. Cela le place au-dessus du matériel grand public, dans la gamme où une carte est achetée à cette fin plutôt que réutilisée pour cela. Le nombre de cartes que nous suivons qui peuvent le supporter : 38.

À l'extrémité inférieure, cela est géré par RTX PRO 5000 72 GB Blackwell, avec une capacité de mémoire de 72 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 12.5 tokens par seconde

Le plus rapide que nous calculons pour cela est H100 NVL 94 GB, générant à peu près 31.3 tokens par seconde sur la base d'une bande passante de mémoire de 3,940 GB/s.

À propos de ce modèle

Mistral Large 2 a été publié par Mistral AI, dans le pays enregistré comme France, durant July 2024. L'organisation de publication est catégorisée comme industry.

Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling/generation, Translation, Code generation.

Les poids étant ouverts, c'est ce qui place cette page dans le calculateur plutôt que seulement dans le catalogue : c'est un modèle que vous pouvez réellement tenir. Sur Hugging Face, il est publié sous l'organisation mistralai.

À quelle vitesse cela fonctionne-t-il, et pourquoi

La moitié des cartes qui le détiennent gèrent plus de 17.3 tokens par seconde 36 d'eux

Chaque poids participe à chaque jeton ici, donc la bande passante est toute l'histoire : le classement ci-dessous est effectivement un classement du débit de mémoire.

Son architecture interne n'est pas dans notre base de données, donc la mémoire est approximée à partir du nombre de paramètres et marquée en conséquence. Attendez-vous à ce que la véritable valeur diffère, surtout pour un long CONTEXT LENGTH.

Qu'est-ce qui a été nécessaire pour le construire

La raison pour laquelle il apparaît dans ce catalogue. training cost.

Étape par étape

Comment choisir un GPU pour Mistral Large 2

Le tableau ci-dessus a déjà évalué chaque carte pour laquelle nous avons des spécifications par rapport à ce modèle. Obtenir votre réponse prend six étapes..

01

Commencez par la colonne mémoire

Chaque carte ici a été vérifiée contre Mistral Large 2, ayant besoin d'environ 60.8 GB à une compression de Q3_K_M. Cette figure, pas la performance principale d'une carte, est ce qui décide si elle fonctionne.
02

Faites correspondre le contexte à votre utilisation réelle.

Définissez le contexte de ce que vous allez réellement utiliser. Le cache augmente avec la conversation, et c'est la raison habituelle pour laquelle une carte qui semblait convenir cesse de s'adapter. Mistral Large 2.
03

Définir un seuil de qualité

La Compression est ce qui permet à un modèle de s'adapter à des cartes plus petites, au prix d'une certaine précision., atteignant une compression de Q3_K_M sur la plus petite carte qui convient. Fixer une qualité minimale élimine les cartes qui ne parviennent à l'atteindre qu'en exerçant une pression plus forte que vous ne le souhaiteriez, et maintient la comparaison à un niveau.
04

Classer par débit plutôt que par fiche technique

La commande de vitesse est effectivement un classement par bande passante mémoire, pour Mistral Large 2. Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire. La carte en tête de liste est H100 NVL 94 GB, à 31.3 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

La colonne d'adéquation sépare les cartes qui y parviennent juste de celles qui ont de la marge, dans le cas de Mistral Large 2. Confortable signifie que vous pouvez augmenter le contexte plus tard. Cette différence compte plus que quelques tokens par seconde, donc achetez pour confortable si vous vous attendez à cela.
06

Ouvrez la carte sur laquelle vous vous êtes arrêté.

Suivre une CARTE jusqu'à sa propre page montre chaque autre MODÈLE qu'elle peut supporter, ce qui est la question qui suit une fois que vous vous êtes décidé sur Mistral Large 2.

Réponses

Mistral Large 2 — questions courantes

Mistral Large 2— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est H100 NVL 94 GB, à propos de 31.3 tokens par seconde; le plus lent qui fonctionne encore gère considérablement moins. La vitesse de lecture est d'environ dix tokens par seconde, et le nombre de cartes qui réussissent cela : 36.

Mistral Large 2— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 60.8 GB à une compression de Q3_K_M, laquelle est la plus petite carte qui l'exécute. Moins de compression nécessite plus : les chiffres dans la colonne mémoire ci-dessus sont recalculés pour chaque carte, car chacune détient la version la moins compressée qu'elle peut.

Mistral Large 2— est-ce que c'est open source ?

Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.

Mistral Large 2— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 123B. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.

Mistral Large 2— qui l'a créé ?

Il a été publié par Mistral AI, basé sur France, une organisation catégorisée comme industry.

Mistral Large 2— quand a-t-il été publié ?

Il a été publié dans July 2024. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.

Mistral Large 2— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation, Translation, Code generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.

Mistral Large 2— où puis-je le télécharger ?

Ses poids sont publiés sur Hugging Face, sous l'organisation mistralai. Nous n'hébergeons pas de fichiers de modèle — ce site calcule le matériel nécessaire pour les faire fonctionner.

Mistral Large 2— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Seulement en déchargeant, ce qui est généralement une fausse économie : la partie maintenue en mémoire système tire l'ensemble vers le bas. La plus proche approximation que nous calculons est inférieure de 17.5 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Mistral Large 2— deux GPUs l'exécuteraient-ils plus rapidement ?

Une seconde carte double à peu près la mémoire disponible mais pas le taux de génération. Le nombre déjà capable de le faire seul : 38. Ainsi, une seconde carte est rarement la réponse ici.

Mistral Large 2— pourquoi la quantification diffère-t-elle entre les cartes ?

Chaque carte est montrée en exécutant la copie la moins compressée qu'elle peut contenir. Le nombre de niveaux de compression distincts parmi les cartes qui la supportent : 5. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Mistral Large 2— quelle est la précision de ces estimations de vitesse ?

Chaque chiffre est dérivé de la bande passante de la mémoire et de la taille du modèle, non vérifié par des tests, c'est pourquoi chacun est publié sous forme d'une plage plutôt que d'un nombre unique. Un exemple : 19–50 tok/s sur H100 NVL 94 GB. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.

Mistral Large 2— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est RTX PRO 5000 72 GB Blackwell, avec une capacité de mémoire de 72 GB. Il exécute le modèle à une compression de Q3_K_M environ 60.8 GB, et produit environ 12.5 tous les GPU capables de l'exécuter en total 38.

Source

Publication originale

Dernière mise à jour enregistrée 21 July 2026

L'autre direction

Regardez-le de l'autre côté ?

Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.

Tous les modèles AI