Mixtral 8x22B TPS-rekenmachine

Open gewichten Mistral AI 141B parameters April 2024

Elke kaart hieronder wordt beoordeeld op basis van dit model met de contextlengte en minimale kwaliteit die je kiest. Snelheid is een schatting voor een enkele aanvraag, berekend op basis van de geheugendoorvoer van de kaart en de grootte van het model eenmaal gecomprimeerd..

Bereken voor dit model

37 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

A100 SXM4 80 GB

80 GB · Q3_K_M · 59.8 tok/s

Snelste kaart

H100 NVL 94 GB

105 tok/s · 94 GB

Welke GPU's kunnen draaien Mixtral 8x22B?

Stel de invoer in, lees het antwoord

Een langere conversatie heeft meer geheugen nodig, wat dit model van kleinere kaarten kan duwen..

Verbergt kaarten die alleen in het model passen door het onder dit punt te comprimeren.

37 kaarten passen

Berekenen
Heeft Kwantificatie Past
105 tok/s

63–168 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 76.8 GB IQ4_XS Krap
99.1 tok/s

59–159 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 101.5 GB Q5_K_M Krap
98.5 tok/s

59–158 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 68.6 GB Q3_K_M Krap
98.5 tok/s

59–158 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 68.6 GB Q3_K_M Krap
89.6 tok/s

54–143 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 76.8 GB IQ4_XS Krap
86.9 tok/s

52–139 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 150.7 GB Q8_0 Krap
86.9 tok/s

52–139 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 150.7 GB Q8_0 Comfortabel
84.2 tok/s

51–135 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 85.0 GB Q4_K_M Krap
84.2 tok/s

51–135 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 85.0 GB Q4_K_M Krap
80.6 tok/s

48–129 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 101.5 GB Q5_K_M Krap
77.2 tok/s

46–123 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 117.9 GB Q6_K Krap
77.2 tok/s

46–123 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 117.9 GB Q6_K Krap
69.4 tok/s

42–111 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 150.7 GB Q8_0 Comfortabel
69.4 tok/s

42–111 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 150.7 GB Q8_0 Comfortabel
59.8 tok/s

36–96 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 68.6 GB Q3_K_M Krap
59.8 tok/s

36–96 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 68.6 GB Q3_K_M Krap
59.8 tok/s

36–96 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 68.6 GB Q3_K_M Krap
59.8 tok/s

36–96 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 68.6 GB Q3_K_M Krap
59.8 tok/s

36–96 · lage vertrouwen

H100 PCIe 80 GB NVIDIA 80 GB 2,040 GB/s Oct 2022 68.6 GB Q3_K_M Krap
59.8 tok/s

36–96 · lage vertrouwen

H800 PCIe 80 GB NVIDIA 80 GB 2,040 GB/s Mar 2023 68.6 GB Q3_K_M Krap
56.9 tok/s

34–91 · lage vertrouwen

A100 PCIe 80 GB NVIDIA 80 GB 1,940 GB/s Jun 2021 68.6 GB Q3_K_M Krap
56.9 tok/s

34–91 · lage vertrouwen

A800 PCIe 80 GB NVIDIA 80 GB 1,940 GB/s Nov 2022 68.6 GB Q3_K_M Krap
50.8 tok/s

30–81 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 150.7 GB Q8_0 Comfortabel
49.6 tok/s

30–79 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 101.5 GB Q5_K_M Krap
49.6 tok/s

30–79 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 101.5 GB Q5_K_M Krap

Snelheden zijn schattingen voor een enkele aanvraag — één gesprek tegelijk — berekend vanuit geheugendebandbreedte, modelgrootte en kwantisatie. De werkelijke doorvoer varieert met de inferentietijd en de versie ervan. Cijfers gepubliceerd door hardwareleveranciers meten veel gelijktijdige aanvragen en zijn veel hoger.

Op record

Volledige specificatie

Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..

Oorsprong

Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.

Organisatie
Mistral AI
Organisatietype
Industry
Land
France
Gepubliceerd
17 April 2024
Auteurs
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…

Wat het doet

De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.

Domein
Language
Taak
Language modeling/generation, Code generation, Translation, Quantitative reasoning, Question answering
Aanpak
Self-supervised learning

Grootte

Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.

parameters
141B

141B params, 39B active: https://mistral.ai/news/mixtral-8x22b/

Training gegevens
tokens

Training rekenen

De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.

Training rekenen
2.3 × 10²⁴ FLOP

Assuming the model was trained on ~1-10 trillions of tokens (same OOM as the models from the comparison in Figure 1. Llama 2 was trained on 2T tokens) + Mistral Small 3 was trained on 8T of tokens, we can estimate training compute with "speculative" confidence: 6 FLOP / token / parameter * 39 * 10^9 active parameters * 10*10^12 tokens [speculatively] = 2.34e+24 FLOP

Hoe het werd opgericht
Operation counting

Beschikbaarheid

Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.

Gewichten
Open — downloadable
Toegang tot model
Open weights (unrestricted)
Training code
Unreleased

Apache 2.0 license

Hugging Face
mistralai

Hoe het is geclassificeerd

Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.

Waarschijnlijk boven de 10²³ FLOP
Yes
Record vertrouwen
Speculative

Bronnen

Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.

Referentie
Mixtral 8x22B
Laatst bijgewerkt
28 November 2025

De extremen

De tien snelste GPU's die draaien Mixtral 8x22B

Gerangschikt op geschatte tokens per seconde, nieuwste kaart eerst waar snelheden gelijk zijn. Omdat generatie gebonden is aan geheugensnelheid, volgt deze ordening de snelheid in plaats van een gamebenchmark..

  1. 01 H100 NVL 94 GB 94 GB · 3,940 GB/s · IQ4_XS 105 tok/s
  2. 02 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q5_K_M 99.1 tok/s
  3. 03 H800 SXM5 80 GB · 3,360 GB/s · Q3_K_M 98.5 tok/s
  4. 04 H100 SXM5 80 GB 80 GB · 3,360 GB/s · Q3_K_M 98.5 tok/s
  5. 05 H100 SXM5 94 GB 94 GB · 3,360 GB/s · IQ4_XS 89.6 tok/s
  6. 06 B300 288 GB · 8,000 GB/s · Q8_0 86.9 tok/s
  7. 07 B200 180 GB · 8,000 GB/s · Q8_0 86.9 tok/s
  8. 08 H100 PCIe 96 GB 96 GB · 3,360 GB/s · Q4_K_M 84.2 tok/s
  9. 09 H100 SXM5 96 GB 96 GB · 3,360 GB/s · Q4_K_M 84.2 tok/s
  10. 10 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q5_K_M 80.6 tok/s

De kleinste GPU's die nog steeds draaien Mixtral 8x22B

De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..

  1. 01 H100 CNX 80 GB · Heeft 68.6 GB · Q3_K_M · Krap 59.8 tok/s
  2. 02 H800 PCIe 80 GB 80 GB · Heeft 68.6 GB · Q3_K_M · Krap 59.8 tok/s
  3. 03 H800 SXM5 80 GB · Heeft 68.6 GB · Q3_K_M · Krap 98.5 tok/s
  4. 04 A800 PCIe 80 GB 80 GB · Heeft 68.6 GB · Q3_K_M · Krap 56.9 tok/s
  5. 05 H100 PCIe 80 GB 80 GB · Heeft 68.6 GB · Q3_K_M · Krap 59.8 tok/s
  6. 06 H100 SXM5 80 GB 80 GB · Heeft 68.6 GB · Q3_K_M · Krap 98.5 tok/s
  7. 07 A800 SXM4 80 GB 80 GB · Heeft 68.6 GB · Q3_K_M · Krap 59.8 tok/s
  8. 08 A100 PCIe 80 GB 80 GB · Heeft 68.6 GB · Q3_K_M · Krap 56.9 tok/s
  9. 09 A100X 80 GB · Heeft 68.6 GB · Q3_K_M · Krap 59.8 tok/s
  10. 10 A100 SXM4 80 GB 80 GB · Heeft 68.6 GB · Q3_K_M · Krap 59.8 tok/s

Wat de cijfers betekenen

Wat nodig is om dit model te draaien

Minimum kaart

A100 SXM4 80 GB

Geheugen nodig

68.6 GB

Snelste

105 tok/s

Mixtral 8x22B bereikt een parameter telling van 141B. Dat plaatst het boven consumentenharde, in het bereik waar een kaart hiervoor wordt gekocht in plaats van ervoor te worden hergebruikt. Het aantal kaarten dat we volgen die het kunnen vasthouden: 37.

De kleinste kaart die het vasthoudt is A100 SXM4 80 GB, met een geheugen capaciteit van 80 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 59.8 tokens per seconde

Top van het assortiment is H100 NVL 94 GB, genereren ongeveer 105 tokens per seconde op basis van een geheugendoorbandsnelheid van 3,940 GB/s.

Wat dit model is

Mixtral 8x22B werd gepubliceerd door Mistral AI, in het land geregistreerd als France, tijdens April 2024. De categorie waaronder de uitgever valt is industry.

Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Code generation, Translation, Quantitative reasoning, Question answering.

Omdat de gewichten zijn vrijgegeven, hangt niets over het uitvoeren ervan af van een leverancier die beschikbaar blijft — het is van jou zodra het is gedownload. Op Hugging Face is het gepubliceerd onder de organisatie mistralai.

Wat bepaalt de snelheid

Over elke kaart die het kan draaien, ligt het midden van het bereik op 59.8 tokens per seconde. Het produceren van tekst sneller dan de meeste mensen het lezen. 35 van hen

Omdat het elk token door een subset van zijn weights leidt, produceert het tekst met de snelheid van een veel kleiner model. De catch is MEMORY: alles moet nog steeds passen, dus de snelheid is een bonus in plaats van een korting op hardware.

Zonder de aandachtlay-out op record, is de geheugen kolom een benadering. Het is dicht genoeg om hardware te kiezen, en het minst betrouwbaar bij lange context.

Hoe het getraind werd

De training run verbruikte ongeveer 2.3 × 10²⁴ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Stap voor stap

Hoe een GPU te kiezen voor Mixtral 8x22B

De tabel hierboven heeft elke kaart die we specificaties voor hebben al vergeleken met dit model. Het bereiken van uw antwoord kost zes stappen..

  1. 01

    Begin vanuit de geheugen kolom

    Elke kaart hier is gecontroleerd op Mixtral 8x22B, ongeveer nodig 68.6 GB bij een compressie van Q3_K_M. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.

  2. 02

    Stel de contextlengte in waarmee je gaat werken

    Het gesprek verbruikt ook geheugen en groeit naarmate het vordert. Stel de schuifregelaar in op de lengte die je verwacht, want bij lange CONTEXT kan een KAART die korte vragen gemakkelijk afhandelt, verworpen worden door Mixtral 8x22B.

  3. 03

    Stel een kwaliteitsvloer in

    Compressie is wat een model laat passen op kleinere kaarten, tegen een bepaalde kost in nauwkeurigheid., bereiken van een compressie van Q3_K_M op de kleinste kaart die past. Het instellen van een minimumkwaliteit laat de kaarten vallen die het alleen maar beheersen door verder te persen dan je zou willen, en houdt de vergelijking op één niveau.

  4. 04

    Sorteer op snelheid

    Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor Mixtral 8x22B. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is H100 NVL 94 GB, bij 105 tok/s

  5. 05

    Kijk naar de speling, niet alleen naar de pasvorm.

    Strak betekent dat het laadt en werkt zonder ruimte om de context later te verhogen, in het geval van Mixtral 8x22B. Comfortabel betekent dat je de context later kunt vergroten. Dat verschil is belangrijker dan een paar tokens per seconde, dus koop voor comfortabel als je dat verwacht.

  6. 06

    Zie wat die kaart nog meer draait

    Elke kaartnaam linkt naar zijn eigen pagina, die dezelfde berekening door het hele modelcatalogus uitvoert. Een kaart wordt meestal gekocht voor meer dan één model, dus het is de moeite waard om te kijken voordat je koopt voor Mixtral 8x22B.

Antwoorden

Mixtral 8x22B — veelgestelde vragen

01

Mixtral 8x22B— waar kan ik het downloaden?

Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie mistralai. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.

02

Mixtral 8x22B— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 2.3 × 10²⁴ FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.

03

Mixtral 8x22B— kan ik het draaien als het niet in mijn GPU past?

Het kan worden opgesplitst tussen de GPU-kaart en systeemgeheugen, maar het genereert op die manier pijnlijk traag. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 20.2 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

04

Mixtral 8x22B— Zouden twee GPU's het sneller draaien?

Een tweede kaart verdubbelt ruwweg het beschikbare geheugen, maar niet de generatie snelheid. Het aantal dat al in staat is om het alleen te draaien: 37. Dus een tweede card is zelden het antwoord hier.

05

Mixtral 8x22B— waarom verschilt de quantisatie tussen kaarten?

Elke kaart wordt weergegeven met de minst-gecomprimeerde kopie die hij kan bevatten. Het aantal verschillende compressieniveaus op de kaarten die het kunnen houden: 6. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

06

Mixtral 8x22B— hoe nauwkeurig zijn deze snelheidsschattingen?

Elke waarde is afgeleid van het geheugenbandbreedte en de modelgrootte, niet geverifieerd, wat de reden is dat elke waarde als een bereik in plaats van een enkel getal wordt gepubliceerd. Eén voorbeeld: 63–168 tok/s op H100 NVL 94 GB. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

07

Mixtral 8x22B— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is A100 SXM4 80 GB, met een geheugen capaciteit van 80 GB. Het draait het model op een compressie van Q3_K_M ongeveer 68.6 GB, en produceert ongeveer 59.8 tokens per second. Het aantal kaarten dat het totaal kan draaien: 37.

08

Mixtral 8x22B— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is H100 NVL 94 GB, ongeveer 105 tokens per seconde; de langzaamste die het nog steeds draait haalt aanzienlijk minder. De leessnelheid is rond de tien tokens per seconde, en het aantal kaarten dat dat haalt: 35.

09

Mixtral 8x22B— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 68.6 GB bij een compressie van Q3_K_M, welke is wat de kleinste card die het draait gebruikt. Minder compressie heeft meer nodig: de cijfers in de memory-kolom hierboven worden opnieuw berekend voor elke card, omdat elke card de minst gecomprimeerde versie kan vasthouden.

10

Mixtral 8x22B— is het open-source?

De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.

11

Mixtral 8x22B— hoeveel parameters heeft het?

Het heeft een parameter telling van 141B. 141B params, 39B active: https://mistral.ai/news/mixtral-8x22b/. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.

12

Mixtral 8x22B— wie heeft het gemaakt?

Het werd gepubliceerd door Mistral AI, gebaseerd op France, een organisatie geclassificeerd als industry.

13

Mixtral 8x22B— wanneer is het uitgebracht?

Het werd gepubliceerd in April 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

14

Mixtral 8x22B— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Code generation, Translation, Quantitative reasoning, Question answering. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.

Bron

Originele publicatie

Laatste update geregistreerd 28 November 2025

De andere richting

Van de andere kant bekijken?

Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.

Alle AI-modellen