Magistral Small 1.2 kalkulator TPS

Otwórz wagi Mistral AI 24B parametry September 2025

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

241 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Xeon Phi 7120P

16 GB · IQ4_XS · 9.9 tok/s

Najszybsza karta

B200

141 tok/s · 180 GB

Które GPU mogą uruchomić Magistral Small 1.2?

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.

241 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
141 tok/s 85–226 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	26.4 GB	Q8_0	Wygodny
141 tok/s 85–226 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	26.4 GB	Q8_0	Wygodny
113 tok/s 68–180 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	26.4 GB	Q8_0	Wygodny
113 tok/s 68–180 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	26.4 GB	Q8_0	Wygodny
90.2 tok/s 54–144 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	26.4 GB	Q8_0	Wygodny
86.3 tok/s 52–138 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	26.4 GB	Q8_0	Wygodny
86.3 tok/s 52–138 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	26.4 GB	Q8_0	Wygodny
82.6 tok/s 50–132 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	26.4 GB	Q8_0	Wygodny
73.3 tok/s 44–117 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	26.4 GB	Q8_0	Wygodny
73.3 tok/s 44–117 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	26.4 GB	Q8_0	Wygodny
73.3 tok/s 44–117 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	26.4 GB	Q8_0	Wygodny
69.5 tok/s 42–111 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	26.4 GB	Q8_0	Wygodny
59.3 tok/s 36–95 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	26.4 GB	Q8_0	Wygodny
59.3 tok/s 36–95 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	26.4 GB	Q8_0	Wygodny
59.3 tok/s 36–95 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	26.4 GB	Q8_0	Wygodny
59.3 tok/s 36–95 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	26.4 GB	Q8_0	Wygodny
59.3 tok/s 36–95 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	26.4 GB	Q8_0	Wygodny
49.0 tok/s 29–78 · niska pewność	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	13.8 GB	IQ4_XS	Wąski
45.2 tok/s 27–72 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	26.4 GB	Q8_0	Wygodny
45.2 tok/s 27–72 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	26.4 GB	Q8_0	Wygodny
41.6 tok/s 25–67 · niska pewność	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	13.8 GB	IQ4_XS	Wąski
38.9 tok/s 23–62 · niska pewność	Tesla V100 DGXS 16 GB NVIDIA	16 GB	897 GB/s	Mar 2018	13.8 GB	IQ4_XS	Wąski
38.9 tok/s 23–62 · niska pewność	Tesla V100 PCIe 16 GB NVIDIA	16 GB	897 GB/s	Jun 2017	13.8 GB	IQ4_XS	Wąski
38.9 tok/s 23–62 · niska pewność	Tesla V100 SXM2 16 GB NVIDIA	16 GB	897 GB/s	Jun 2017	13.8 GB	IQ4_XS	Wąski
38.8 tok/s 23–62 · niska pewność	GeForce RTX 5070 Ti NVIDIA	16 GB	896 GB/s	Feb 2025	13.8 GB	IQ4_XS	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: 18 September 2025

Co to robi

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

Domena: Language, Vision, Multimodal
Zadanie: Language modeling/generation, Question answering, Quantitative reasoning, Code generation, Translation, Visual question answering, Image captioning
Model bazowy: Mistral Small 3.2

Rozmiar

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

parametry: 24B
Dane treningowe: tokens

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.

Zapisz pewność: Confident

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Introducing Magistral Small 1.2 & Magistral Medium 1.2, minor updates to our Magistral 1.1 models!
Ostatnio zaktualizowane: 28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają Magistral Small 1.2

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 Magistral Small 1.2

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

Xeon Phi 7120P

Pamięć potrzebna

13.8 GB

Najszybszy

141 tok/s

Magistral Small 1.2 osiąga liczbę parametrów równą 24B. To ląduje w zakresie, który może obsłużyć poważna karta stacjonarna, gdy wagi są skompresowane. Liczba kart, które śledzimy, które mogą to uruchomić: 241.

Najmniejsza karta, która to utrzymuje, to Xeon Phi 7120P, o pojemności pamięci 16 GB, uruchomienie go przy kompresji IQ4_XS i produkując około 9.9 tokeny na sekundę

Najszybciej, jak to obliczamy, to B200, generowanie w przybliżeniu 141 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

O tym modelu

Magistral Small 1.2 został opublikowany przez Mistral AI, w kraju zapisanym jako France, podczas September 2025. Wychodzi z organizacji zaklasyfikowanej jako industry.

Działa w dziedzinie Language, Vision, Multimodal, i jest zapisany jako wykonujący zadanie language modeling/generation, Question answering, Quantitative reasoning, Code generation, Translation, Visual question answering, Image captioning.

Jego punktem wyjścia był istniejący model podstawowy, Mistral Small 3.2. Dlatego dzieli ogólny kształt i rozmiar modelu bazowego.

Wagi są publikowane, więc można je pobrać i uruchomić na własnym sprzęcie bezterminowo, offline, bez przypisanego konta. Na Hugging Face jest opublikowane pod organizacją mistralai.

Jak szybko działa i dlaczego

Mediana wyniku wynosi około 19.4 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 193 ich

Będąc gęstym, odczytuje każdą swoją część po tokenie, dlatego poniższe uporządkowanie według szybkości tak ściśle pokrywa się z uporządkowaniem według przepustowości pamięci.

Pamięć tutaj jest szacowana na podstawie rozmiaru, a nie obliczana z architektury, która nie jest zarejestrowana dla tego modelu — liczby są wskazujące, a nie dokładne.

Krok po kroku

Jak wybrać GPU do Magistral Small 1.2

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

01

Sprawdź, co potrzebuje przed wszystkim innym.

Każda karta tutaj została sprawdzona pod kątem Magistral Small 1.2, potrzebując około 13.8 GB przy kompresji IQ4_XS. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
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 Magistral Small 1.2.
03

Ustal minimalną jakość

Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji IQ4_XS 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

Oceń według przepustowości, a nie kart specyfikacji

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla Magistral Small 1.2. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 141 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 Magistral Small 1.2. 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

Otwórz kartę, na którą się zdecydowałeś

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 Magistral Small 1.2.

Odpowiedzi

Magistral Small 1.2 — częste pytania

Magistral Small 1.2— czy dwa GPU uruchomią to szybciej?

Pojemność sumuje się w kartach; przepustowość nie. Liczba kart, które już same ją posiadają: 241. Więc druga karta rzadko jest odpowiedzią tutaj.

Magistral Small 1.2— dlaczego kwantyzacja różni się między kartami?

Większa KARTA przechowuje dokładniejszą kopię. Liczba poziomów kompresji używanych w KARTACH, które ją uruchamiają: 4. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

Magistral Small 1.2— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 85–226 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

Magistral Small 1.2— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to Xeon Phi 7120P, o pojemności pamięci 16 GB. Uruchamia model przy kompresji IQ4_XS używając około 13.8 GB, i produkuje w przybliżeniu 9.9 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 241.

Magistral Small 1.2— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 141 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 193.

Magistral Small 1.2— Ile VRAM-u potrzebuje?

Potrzebuje około 13.8 GB przy kompresji IQ4_XS, 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.

Magistral Small 1.2— czy mogę uruchomić to na GPU trzymając 16 GB?

Tak. Karta Tesla V100 SXM2 16 GB, trzymanie 16 GB, uruchamia go przy kompresji IQ4_XS, używając około 13.8 GB i generując w przybliżeniu 49.0 tokenów na sekundę. Dopasowanie jest ciasne.

Magistral Small 1.2— czy mogę uruchomić to na GPU trzymając 24 GB?

Tak. Karta GeForce RTX 5090 D V2, trzymanie 24 GB, uruchamia go przy kompresji Q6_K, używając około 20.8 GB i generując w przybliżeniu 34.4 tokenów na sekundę. Dopasowanie jest ciasne.

Magistral Small 1.2— 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.

Magistral Small 1.2— ile ma parametrów?

Ma liczbę parametrów równą 24B. 24B. 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.

Magistral Small 1.2— kto to stworzył?

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

Magistral Small 1.2— kiedy to zostało wydane?

Zostało opublikowane w September 2025.

Magistral Small 1.2— do czego to służy?

Działa w dziedzinie Language, Vision, Multimodal, i jest zarejestrowany jako realizujący zadanie language modeling/generation, Question answering, Quantitative reasoning, Code generation, Translation, Visual question answering, Image captioning. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.

Magistral Small 1.2— 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.

Magistral Small 1.2— 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 4.4 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

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