Pixtral Large calculateur TPS

Ouvrir les poids Mistral AI 124B paramètres November 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 · 12.4 tok/s

Carte la plus rapide

H100 NVL 94 GB

31.1 tok/s · 94 GB

Quelles GPU peuvent exécuter Pixtral Large?

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
31.1 tok/s 19–50 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	75.7 GB	Q4_K_M	À l'étroit
28.2 tok/s 17–45 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	68.5 GB	IQ4_XS	À l'étroit
28.2 tok/s 17–45 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	68.5 GB	IQ4_XS	À l'étroit
27.3 tok/s 16–44 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	133.5 GB	Q8_0	Confortable
27.3 tok/s 16–44 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	133.5 GB	Q8_0	Confortable
26.5 tok/s 16–42 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.7 GB	Q4_K_M	À l'étroit
26.5 tok/s 16–42 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	75.7 GB	Q4_K_M	À l'étroit
26.5 tok/s 16–42 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.7 GB	Q4_K_M	À l'étroit
25.4 tok/s 15–41 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	104.6 GB	Q6_K	À l'étroit
24.3 tok/s 15–39 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	104.6 GB	Q6_K	Confortable
24.3 tok/s 15–39 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	104.6 GB	Q6_K	Confortable
21.8 tok/s 13–35 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	133.5 GB	Q8_0	Confortable
21.8 tok/s 13–35 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	133.5 GB	Q8_0	Confortable
20.6 tok/s 12–33 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	104.6 GB	Q6_K	À l'étroit
17.1 tok/s 10–27 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	68.5 GB	IQ4_XS	À l'étroit
17.1 tok/s 10–27 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	68.5 GB	IQ4_XS	À l'étroit
17.1 tok/s 10–27 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	68.5 GB	IQ4_XS	À l'étroit
17.1 tok/s 10–27 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	68.5 GB	IQ4_XS	À l'étroit
17.1 tok/s 10–27 · faible confiance	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	68.5 GB	IQ4_XS	À l'étroit
17.1 tok/s 10–27 · faible confiance	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	68.5 GB	IQ4_XS	À l'étroit
16.3 tok/s 10–26 · faible confiance	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	68.5 GB	IQ4_XS	À l'étroit
16.3 tok/s 10–26 · faible confiance	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	68.5 GB	IQ4_XS	À l'étroit
16.0 tok/s 10–26 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	133.5 GB	Q8_0	Confortable
14.2 tok/s 9–23 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	133.5 GB	Q8_0	Confortable
14.2 tok/s 9–23 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	133.5 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: 18 November 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: Multimodal, Language, Vision
Tâche: Vision-language generation, Visual question answering, Mathematical reasoning, Character recognition (OCR), Language modeling/generation, Question answering
Approche: Supervised
Modèle de base: Mistral Large 2

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: 124B
Données d'entraînement: tokens

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.

Pourquoi c'est suivi: Significant use,SOTA improvement
Confiance d'enregistrement: Confident

Sources

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

Référence: Pixtral Large
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent Pixtral Large

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 Pixtral Large

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

61.3 GB

Le plus rapide

31.1 tok/s

Pixtral Large atteint un nombre de paramètres de 124B. 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 12.4 tokens par seconde

À l'autre extrémité se trouve H100 NVL 94 GB, générant à peu près 31.1 tokens par seconde sur la base d'une bande passante de mémoire de 3,940 GB/s.

À propos de ce modèle

Pixtral Large a été publié par Mistral AI, dans le pays enregistré comme France, durant November 2024. Cela provient d'une organisation classée comme industry.

Il fonctionne dans le domaine de Multimodal, Language, Vision, et est enregistré comme exécutant la tâche de vision-language generation, Visual question answering, Mathematical reasoning, Character recognition (OCR), Language modeling/generation, Question answering.

Plutôt que d'être entraîné depuis le début, il est dérivé de Mistral Large 2. C'est pourquoi il partage la forme et la taille générales du modèle de base.

Parce que ses poids ont été publiés, rien sur son exécution ne dépend d'un fournisseur restant disponible — il est à vous une fois téléchargé. Sur Hugging Face, il est publié sous l'organisation mistralai.

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

Le résultat médian est d'environ 17.1 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

Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : significant use,SOTA improvement.

Étape par étape

Comment choisir un GPU pour Pixtral Large

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

Lisez d'abord le chiffre de mémoire

Chaque carte ici a été vérifiée contre Pixtral Large, ayant besoin d'environ 61.3 GB à une compression de Q3_K_M. La capacité est la porte — une carte soit la détient soit ne la détient pas.
02

Faites correspondre le contexte à votre utilisation réelle.

La conversation occupe aussi de la mémoire et grandit au fur et à mesure. Réglez le curseur sur la longueur que vous attendez, car avec un long CONTEXTE, une CARTE qui gère facilement les courtes questions peut être abandonnée par. Pixtral Large.
03

Décidez combien de compression vous allez accepter

Chaque carte exécute la copie la moins compressée qu'elle peut contenir., 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

Comparez les tokens par seconde, pas les spécifications.

Trier par vitesse pour voir comment les cartes se classent pour Pixtral Large. 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 31.1 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

Un ajustement serré fonctionne, mais ne laisse rien de libre pour une conversation plus longue, dans le cas de Pixtral Large. 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

Vérifiez la carte de l'autre côté

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 Pixtral Large.

Réponses

Pixtral Large — questions courantes

Pixtral Large— qui l'a créé ?

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

Pixtral Large— quand a-t-il été publié ?

Il a été publié dans November 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.

Pixtral Large— à quoi ça sert ?

Il fonctionne dans le domaine de Multimodal, Language, Vision, et est enregistré comme gérant la tâche de vision-language generation, Visual question answering, Mathematical reasoning, Character recognition (OCR), Language modeling/generation, Question answering. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.

Pixtral Large— 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.

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

Partiellement. Les couches qui ne tiennent pas sont dans la mémoire système et fonctionnent à une fraction de la vitesse, donc un modèle principalement déchargé vaut rarement la peine d'être utilisé. La plus proche approximation que nous calculons est inférieure de 18.1 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

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

Deux cartes achètent de la mémoire plutôt que de la vitesse, ce qui est important seulement si une carte ne peut pas la contenir. Le nombre qui peut : 38. Ainsi, une seconde carte est rarement la réponse ici.

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

Une carte plus grande contient une copie plus précise. Le nombre de niveaux de compression utilisés sur les cartes qui l'exécutent : 5. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Pixtral Large— 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.

Pixtral Large— 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 61.3 GB, et produit environ 12.4 tous les GPU capables de l'exécuter en total 38.

Pixtral Large— 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 31.1 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.

Pixtral Large— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 61.3 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.

Pixtral Large— 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.

Pixtral Large— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 124B. 123B multimodal decoder, 1B parameter vision encoder. 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.

Source

Publication originale

Dernière mise à jour enregistrée 28 November 2025

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