Pixtral Large TPS-rekenmachine

Open gewichten Mistral AI 124B parameters November 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

38 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

RTX PRO 5000 72 GB Blackwell

72 GB · Q3_K_M · 12.4 tok/s

Snelste kaart

H100 NVL 94 GB

31.1 tok/s · 94 GB

Welke GPU's kunnen draaien Pixtral Large?

Stel de invoer in, lees het antwoord

Contextlengte tokens

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

Minimale kwaliteit

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

Zoek kaarten

Kaartgeheugen

Toon ook kaarten die het niet kunnen draaien

38 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
31.1 tok/s 19–50 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	75.7 GB	Q4_K_M	Krap
28.2 tok/s 17–45 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	68.5 GB	IQ4_XS	Krap
28.2 tok/s 17–45 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	68.5 GB	IQ4_XS	Krap
27.3 tok/s 16–44 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	133.5 GB	Q8_0	Comfortabel
27.3 tok/s 16–44 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	133.5 GB	Q8_0	Comfortabel
26.5 tok/s 16–42 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.7 GB	Q4_K_M	Krap
26.5 tok/s 16–42 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	75.7 GB	Q4_K_M	Krap
26.5 tok/s 16–42 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.7 GB	Q4_K_M	Krap
25.4 tok/s 15–41 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	104.6 GB	Q6_K	Krap
24.3 tok/s 15–39 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	104.6 GB	Q6_K	Comfortabel
24.3 tok/s 15–39 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	104.6 GB	Q6_K	Comfortabel
21.8 tok/s 13–35 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	133.5 GB	Q8_0	Comfortabel
21.8 tok/s 13–35 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	133.5 GB	Q8_0	Comfortabel
20.6 tok/s 12–33 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	104.6 GB	Q6_K	Krap
17.1 tok/s 10–27 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	68.5 GB	IQ4_XS	Krap
17.1 tok/s 10–27 · lage vertrouwen	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	68.5 GB	IQ4_XS	Krap
17.1 tok/s 10–27 · lage vertrouwen	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	68.5 GB	IQ4_XS	Krap
17.1 tok/s 10–27 · lage vertrouwen	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	68.5 GB	IQ4_XS	Krap
17.1 tok/s 10–27 · lage vertrouwen	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	68.5 GB	IQ4_XS	Krap
17.1 tok/s 10–27 · lage vertrouwen	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	68.5 GB	IQ4_XS	Krap
16.3 tok/s 10–26 · lage vertrouwen	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	68.5 GB	IQ4_XS	Krap
16.3 tok/s 10–26 · lage vertrouwen	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	68.5 GB	IQ4_XS	Krap
16.0 tok/s 10–26 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	133.5 GB	Q8_0	Comfortabel
14.2 tok/s 9–23 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	133.5 GB	Q8_0	Comfortabel
14.2 tok/s 9–23 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	133.5 GB	Q8_0	Comfortabel

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: 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…

Wat het doet

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

Domein: Multimodal, Language, Vision
Taak: Vision-language generation, Visual question answering, Mathematical reasoning, Character recognition (OCR), Language modeling/generation, Question answering
Aanpak: Supervised
Basis model: Mistral Large 2

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: 124B
Training gegevens: tokens

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 (non-commercial)
Training code: Unreleased
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.

Waarom het wordt gevolgd: Significant use,SOTA improvement
Record vertrouwen: Confident

Bronnen

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

Referentie: Pixtral Large
Laatst bijgewerkt: 28 November 2025

De extremen

De tien snelste GPU's die draaien Pixtral Large

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..

De kleinste GPU's die nog steeds draaien Pixtral Large

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

Wat de cijfers betekenen

De hardwarekant

Minimum kaart

RTX PRO 5000 72 GB Blackwell

Geheugen nodig

61.3 GB

Snelste

31.1 tok/s

Pixtral Large bereikt een parameter telling van 124B. 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: 38.

Aan de onderkant wordt het afgehandeld door RTX PRO 5000 72 GB Blackwell, met een geheugen capaciteit van 72 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 12.4 tokens per seconde

Aan de andere kant zit H100 NVL 94 GB, genereren ongeveer 31.1 tokens per seconde op basis van een geheugendoorbandsnelheid van 3,940 GB/s.

Over dit model

Pixtral Large werd gepubliceerd door Mistral AI, in het land geregistreerd als France, tijdens November 2024. Het komt uit een organisatie gecategoriseerd als industry.

Het werkt in het domein van Multimodal, Language, Vision, en wordt geregistreerd als het uitvoeren van de taak van vision-language generation, Visual question answering, Mathematical reasoning, Character recognition (OCR), Language modeling/generation, Question answering.

In plaats van vanaf nul te worden getraind, is het afgeleid van Mistral Large 2. Dat is waarom het de algemene vorm en grootte van het basismodell deelt.

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.

Hoe snel het draait, en waarom

De mediaanresultaat is rond 17.1 tokens per seconde. 36 van hen

Elke gewicht participeert in elke token hier, dus bandbreedte is het hele verhaal: de ranking hieronder is effectief een ranking van geheugendoorvoer.

De interne architectuur is niet gedocumenteerd, dus het geheugen wordt geschat op basis van het aantal parameters en dienovereenkomstig gemarkeerd. Verwacht dat de werkelijke waarde verschilt, vooral bij lange context.

Wat erin ging zitten om het te bouwen

Het wordt gevolgd in de onderliggende dataset om één specifieke reden: significant use,SOTA improvement.

Stap voor stap

Hoe een GPU te kiezen voor Pixtral Large

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

01

Lees eerst de geheugenfiguur

Elke kaart hier is gecontroleerd op Pixtral Large, ongeveer nodig 61.3 GB bij een compressie van Q3_K_M. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.
02

Stem de context af op uw werkelijke gebruik

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 Pixtral Large.
03

Bepaal hoeveel compressie je accepteert

Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., 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.
04

Vergelijk tokens per seconde, niet specificaties

Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor Pixtral Large. 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 31.1 tok/s
05

Kijk naar de speling, niet alleen naar de pasvorm.

Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van Pixtral Large. 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.
06

Controleer de kaart vanaf de andere kant

Het volgen van een GPU-kaart naar zijn eigen pagina toont elk ander model dat het kan bevatten, wat de vraag is die volgt zodra je je hebt ingesteld op Pixtral Large.

Antwoorden

Pixtral Large — veelgestelde vragen

Pixtral Large— wie heeft het gemaakt?

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

Pixtral Large— wanneer is het uitgebracht?

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

Pixtral Large— waarvoor wordt het gebruikt?

Het werkt in het domein van Multimodal, Language, Vision, en wordt geregistreerd als het afhandelen van vision-language generation, Visual question answering, Mathematical reasoning, Character recognition (OCR), Language modeling/generation, Question answering. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

Pixtral Large— 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.

Pixtral Large— kan ik het draaien als het niet in mijn GPU past?

Gedeeltelijk. Layers die niet passen, bevinden zich in system memory en draaien met een fractie van de snelheid, dus een grotendeels gedeactiveerd model is zelden de moeite waard om te gebruiken. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 18.1 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

Pixtral Large— Zouden twee GPU's het sneller draaien?

Twee kaarten kopen geheugen in plaats van snelheid, wat alleen van belang is als één kaart het niet kan bevatten. Het aantal dat kan: 38. Dus een tweede card is zelden het antwoord hier.

Pixtral Large— waarom verschilt de quantisatie tussen kaarten?

Een grotere CARD houdt een nauwkeuriger kopie. Het aantal compressieniveaus dat gebruikt wordt op de CARDS die het draaien: 5. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

Pixtral Large— 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: 19–50 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.

Pixtral Large— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is RTX PRO 5000 72 GB Blackwell, met een geheugen capaciteit van 72 GB. Het draait het model op een compressie van Q3_K_M ongeveer 61.3 GB, en produceert ongeveer 12.4 tokens per second. Het aantal kaarten dat het totaal kan draaien: 38.

Pixtral Large— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is H100 NVL 94 GB, ongeveer 31.1 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: 36.

Pixtral Large— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 61.3 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.

Pixtral Large— 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.

Pixtral Large— hoeveel parameters heeft het?

Het heeft een parameter telling van 124B. 123B multimodal decoder, 1B parameter vision encoder. 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.

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