Mixtral 8x22B kalkulator TPS

Otwórz wagi Mistral AI 141B parametry April 2024

Każda karta poniżej jest oceniana w stosunku do tego modelu przy wybranej długości kontekstu i minimalnej jakości. Prędkość jest oszacowaniem dla pojedynczego żądania, obliczonym na podstawie przepustowości pamięci karty i rozmiaru modelu po skompresowaniu..

Obliczone dla tego modelu

37 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

A100 SXM4 80 GB

80 GB · Q3_K_M · 59.8 tok/s

Najszybsza karta

H100 NVL 94 GB

105 tok/s · 94 GB

Które GPU mogą uruchomić Mixtral 8x22B?

Ustaw wejścia, odczytaj odpowiedź.

Długość kontekstu tokeny

Dłuższa rozmowa wymaga więcej MEMORY, co może spowodować, że ten model nie zmieści się na mniejszych CARD..

Minimalna jakość

Ukrywa karty, które zmieściłyby się w modelu tylko przez skompresowanie go poniżej tego punktu..

Szukaj kart

Pamięć karty

Pokaż również karty, które nie mogą tego uruchomić.

37 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
105 tok/s 63–168 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	76.8 GB	IQ4_XS	Wąski
99.1 tok/s 59–159 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	101.5 GB	Q5_K_M	Wąski
98.5 tok/s 59–158 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	68.6 GB	Q3_K_M	Wąski
98.5 tok/s 59–158 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	68.6 GB	Q3_K_M	Wąski
89.6 tok/s 54–143 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	76.8 GB	IQ4_XS	Wąski
86.9 tok/s 52–139 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	150.7 GB	Q8_0	Wąski
86.9 tok/s 52–139 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	150.7 GB	Q8_0	Wygodny
84.2 tok/s 51–135 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	85.0 GB	Q4_K_M	Wąski
84.2 tok/s 51–135 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	85.0 GB	Q4_K_M	Wąski
80.6 tok/s 48–129 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	101.5 GB	Q5_K_M	Wąski
77.2 tok/s 46–123 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	117.9 GB	Q6_K	Wąski
77.2 tok/s 46–123 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	117.9 GB	Q6_K	Wąski
69.4 tok/s 42–111 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	150.7 GB	Q8_0	Wygodny
69.4 tok/s 42–111 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	150.7 GB	Q8_0	Wygodny
59.8 tok/s 36–96 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	68.6 GB	Q3_K_M	Wąski
59.8 tok/s 36–96 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	68.6 GB	Q3_K_M	Wąski
59.8 tok/s 36–96 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	68.6 GB	Q3_K_M	Wąski
59.8 tok/s 36–96 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	68.6 GB	Q3_K_M	Wąski
59.8 tok/s 36–96 · niska pewność	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	68.6 GB	Q3_K_M	Wąski
59.8 tok/s 36–96 · niska pewność	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	68.6 GB	Q3_K_M	Wąski
56.9 tok/s 34–91 · niska pewność	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	68.6 GB	Q3_K_M	Wąski
56.9 tok/s 34–91 · niska pewność	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	68.6 GB	Q3_K_M	Wąski
50.8 tok/s 30–81 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	150.7 GB	Q8_0	Wygodny
49.6 tok/s 30–79 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	101.5 GB	Q5_K_M	Wąski
49.6 tok/s 30–79 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	101.5 GB	Q5_K_M	Wąski

Prędkości są szacunkami dla pojedynczego zapytania — jednej konwersacji na raz — obliczonymi na podstawie przepustowości pamięci, rozmiaru MODELu i kwantyzacji. Rzeczywista przepustowość różni się w zależności od czasu uruchamiania inference i jego wersji. Wartości publikowane przez dostawców sprzętu mierzą wiele jednoczesnych zapytań i są znacznie wyższe..

Na nagranie

Pełna specyfikacja

Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..

Pochodzenie

Kto zbudował ten model, gdzie i kiedy został opublikowany.

Organizacja: Mistral AI
Typ organizacji: Industry
Kraj: France
Opublikowany: 17 April 2024
Autorzy: 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…

Co to robi

Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.

Domena: Language
Zadanie: Language modeling/generation, Code generation, Translation, Quantitative reasoning, Question answering
Podejście: Self-supervised learning

Rozmiar

Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.

parametry: 141B
Dane treningowe: tokens

Obliczenia treningowe

Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.

Obliczenia treningowe: 2.3 × 10²⁴ FLOP
Jak to zostało ustalone: Operation counting

Dostępność

Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.

Wagi: Open — downloadable
Dostęp do modelu: Open weights (unrestricted)
Kod treningowy: Unreleased
Hugging Face: mistralai

Jak jest klasyfikowane

Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.

Prawdopodobnie powyżej 10²³ FLOP: Yes
Zapisz pewność: Speculative

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Mixtral 8x22B
Ostatnio zaktualizowane: 28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają Mixtral 8x22B

Uszeregowany według szacowanej liczby tokenów na sekundę, najnowsza karta na pierwszym miejscu, gdy prędkości są równe. Ponieważ generacja jest ograniczona przez pamięć, to uporządkowanie podąża za przepustowością, a nie za jakimkolwiek benchmarkiem gier..

Najmniejsze GPU, które nadal działają Mixtral 8x22B

Najtańsza droga do, według pojemności pamięci. Tight fit uruchamia model, ale nie zostawia nic na dłuższą rozmowę..

Co oznaczają liczby

Co jest potrzebne, aby uruchomić ten model

Minimalna karta

A100 SXM4 80 GB

Pamięć potrzebna

68.6 GB

Najszybszy

105 tok/s

Mixtral 8x22B osiąga liczbę parametrów równą 141B. To stawia to powyżej sprzętu konsumenckiego, w zakresie, gdzie karta jest kupowana do tego celu, zamiast przystosowywana do niego. Liczba kart, które śledzimy, które mogą to pomieścić: 37.

Najmniejsza karta, która to utrzymuje, to A100 SXM4 80 GB, o pojemności pamięci 80 GB, uruchomienie go przy kompresji Q3_K_M i produkując około 59.8 tokeny na sekundę

Najwyższa półka to H100 NVL 94 GB, generowanie w przybliżeniu 105 tokenów na sekundę na podstawie przepustowości pamięci 3,940 GB/s.

Co to jest model?

Mixtral 8x22B został opublikowany przez Mistral AI, w kraju zapisanym jako France, podczas April 2024. Kategoria, do której należy wydawca, to industry.

Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling/generation, Code generation, Translation, Quantitative reasoning, Question answering.

Ponieważ jego wagi zostały udostępnione, nic w kwestii uruchamiania go nie zależy od dostępności dostawcy — należy do ciebie po pobraniu. Na Hugging Face jest opublikowane pod organizacją mistralai.

Co decyduje o szybkości

Na każdej karcie, która może go uruchomić, środek zakresu plasuje się w 59.8 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 35 ich

Ponieważ kieruje każdy token przez podzbiór swoich wag, produkuje tekst z szybkością znacznie mniejszego modelu. Haczyk tkwi w pamięci: wszystko musi się jeszcze zmieścić, więc prędkość jest bonusem, a nie zniżką na sprzęt.

Bez układu uwagi na rekordzie, kolumna pamięci jest przybliżeniem. Jest wystarczająco bliska, aby wybrać sprzęt, i najmniej wiarygodna przy długim kontekście.

Jak to zostało wytrenowane

Trening zajmował około 2.3 × 10²⁴ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Krok po kroku

Jak wybrać GPU do Mixtral 8x22B

Tabela powyżej oceniła już każdą kartę, dla której posiadamy specyfikacje, w stosunku do tego modelu. Dotarcie do odpowiedzi wymaga sześciu kroków..

01

Zacznij od kolumny pamięci

Każda karta tutaj została sprawdzona pod kątem Mixtral 8x22B, potrzebując około 68.6 GB przy kompresji Q3_K_M. Pojemność to brama — karta albo ją trzyma, albo nie.
02

Ustaw długość kontekstu, z którą będziesz pracować

Rozmowa zajmuje pamięć również, i rośnie w miarę trwania. Ustaw suwak na długość, której się spodziewasz, ponieważ przy długim kontekście karta, która łatwo obsługuje krótkie pytania, może zostać odrzucona przez Mixtral 8x22B.
03

Ustal minimalną jakość

Kompresja to to, co sprawia, że model mieści się w mniejszych KARTACH, kosztem pewnej dokładności., osiągnięcie kompresji Q3_K_M na najmniejszej karcie, która się mieści. Ustalenie minimalnej jakości odrzuca karty, które tylko ją osiągają, uciskając bardziej niż byś chciał, i utrzymuje porównanie na jednym poziomie.
04

Sortuj według prędkości

Sortuj według prędkości, aby zobaczyć, jak karty się klasyfikują. Mixtral 8x22B. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to H100 NVL 94 GB, w 105 tok/s
05

Zwróć uwagę na margines, a nie tylko na dopasowanie

Tight oznacza, że ładowanie i działanie odbywa się bez miejsca na późniejsze zwiększenie długości kontekstu, w przypadku Mixtral 8x22B. Wygodne oznacza, że możesz później zwiększyć kontekst. Ta różnica ma większe znaczenie niż kilka tokenów na sekundę, więc kupuj za wygodne, jeśli tego oczekujesz.
06

Zobacz, co jeszcze ta karta uruchamia

Każda nazwa karty łączy się z jej własną stroną, która wykonuje tę samą kalkulację w całym katalogu modelu. Kartę zazwyczaj kupuje się dla więcej niż jednego modelu, więc warto rzucić okiem przed zakupem na Mixtral 8x22B.

Odpowiedzi

Mixtral 8x22B — częste pytania

Mixtral 8x22B— Gdzie mogę to pobrać?

Jego wagi są publikowane na Hugging Face, pod organizacją mistralai. Nie hostujemy plików modelu — ta strona oblicza, jaki sprzęt jest potrzebny do ich uruchomienia.

Mixtral 8x22B— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 2.3 × 10²⁴ FLOP. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.

Mixtral 8x22B— czy mogę go uruchomić, jeśli nie mieści się w moim GPU?

Można go podzielić między kartą a pamięcią systemową, ale w ten sposób generuje się boleśnie powoli. Najbliższy brak, który obliczamy, jest za mały o 20.2 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

Mixtral 8x22B— czy dwa GPU uruchomią to szybciej?

Druga KARTA mniej więcej podwaja dostępna PAMIĘĆ, ale nie tempo generacji. Liczba już zdolna do uruchomienia jej samodzielnie: 37. Więc druga karta rzadko jest odpowiedzią tutaj.

Mixtral 8x22B— dlaczego kwantyzacja różni się między kartami?

Każda KARTA jest przedstawiana z uruchomioną najmniej skompresowaną wersją, jaką może pomieścić. Liczba odmiennych poziomów kompresji w KARTACH, które mogą go pomieścić: 6. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

Mixtral 8x22B— Jak dokładne są te szacunki prędkości?

Każda wartość pochodzi z przepustowości pamięci i rozmiaru modelu, a nie z testów porównawczych, dlatego każda jest publikowana jako zakres, a nie pojedyncza liczba. Jeden przykład: 63–168 tok/s na H100 NVL 94 GB. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

Mixtral 8x22B— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to A100 SXM4 80 GB, o pojemności pamięci 80 GB. Uruchamia model przy kompresji Q3_K_M używając około 68.6 GB, i produkuje w przybliżeniu 59.8 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 37.

Mixtral 8x22B— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to H100 NVL 94 GB, około 105 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 35.

Mixtral 8x22B— Ile VRAM-u potrzebuje?

Potrzebuje około 68.6 GB przy kompresji Q3_K_M, który jest najmniejszą kartą, która to uruchamia. Mniej kompresji potrzebuje więcej: liczby w kolumnie pamięci powyżej są przeliczane dla każdej karty, ponieważ każda z nich trzyma wersję o najmniejszej kompresji, jaką może.

Mixtral 8x22B— czy jest open weight?

Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.

Mixtral 8x22B— ile ma parametrów?

Ma liczbę parametrów równą 141B. 141B params, 39B active: https://mistral.ai/news/mixtral-8x22b/. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.

Mixtral 8x22B— kto to stworzył?

Zostało opublikowane przez Mistral AI, oparty na France, organizacja sklasyfikowana jako industry.

Mixtral 8x22B— kiedy to zostało wydane?

Zostało opublikowane w April 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

Mixtral 8x22B— do czego to służy?

Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation, Code generation, Translation, Quantitative reasoning, Question answering. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 28 November 2025

Druga strona

Patrząc na to z drugiej strony?

Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.

Wszystkie modele AI