Mistral Small 24B Instruct 2501 (FP32) — 19.4 GBauf NVIDIA RTX 4000 SFF

FP32 NVIDIA RTX 4000 SFF

Überblick

Mistral Small 24B Instruct 2501 ist ein 23.57B-Parameter dense-Sprachmodell von Mistral AI, mit Fähigkeiten in code, multilingual, tool-calls. Es unterstützt ein Kontextfenster von bis zu 32,768 Tokens.

Mistral Small 24B Instruct 2501 ist ein dichter Transformer mit 23,57 Milliarden Parametern von Mistral AI, optimiert für Instruktionsbefolgung, Codegenerierung und mehrsprachige Konversation. Das Modell bietet in seiner mittleren Parameterklasse eine starke Leistung im Verhältnis zur Größe und konkurriert mit größeren 30B-Modellen in vielen Benchmarks. Es unterstützt Tool Calling und 10 Sprachen, darunter Englisch, Französisch, Chinesisch und Japanisch. Mit einem 32K-Kontextfenster und Flash Attention passt es bei Q4-Quantisierung auf eine einzelne Consumer-GPU für effiziente selbstgehostete Inferenz.

Bei FP32-Quantisierung (Qualitätsstufe full-precision) wiegt das Modell 87.82 GB. Das übersteigt die 20 GB VRAM von NVIDIA RTX 4000 SFF. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.

Hardwareanforderungen

Modellgröße	87.82 GB
Verfügbarer VRAM	20 GB
Genutzter VRAM	19.4 GB
Min. RAM benötigt	70.3 GB
GPU-Ebenen	8 / 40
Kontextgröße	3.099
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

Reduzierte Leistung

32 von 40 Schichten laufen auf der CPU. Ihr System benötigt mindestens 70.3 GB RAM. Bei unzureichendem System-RAM werden Daten bei Bedarf von der Festplatte gelesen, mit erheblichen Leistungseinbußen.

Kürzere Gespräche

Die Kontextgröße wurde aufgrund von Speicherbeschränkungen reduziert. Dies kann die Fähigkeit des Modells beeinträchtigen, lange Gespräche zu führen.

Bereitstellung

Server Lokal

Voraussetzungen

Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:

ansible-playbook prositronic.infra.nvidia_container_toolkit

Befehl

helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/mistral-small-24b-instruct-2501/fp32/nvidia-rtx4000sff.yaml) apply

Generierte values.yaml

/values/mistral-small-24b-instruct-2501/fp32/nvidia-rtx4000sff.yaml

Werte werden geladen…

llama.cpp installieren

Installieren Sie llama.cpp von den offiziellen Build-Anleitungen für Ihre Plattform und Ihr Backend.

Modell herunterladen

curl -L -o mistral-small-24b-instruct-2501.gguf "https://huggingface.co/bartowski/Mistral-Small-24B-Instruct-2501-GGUF/resolve/main/Mistral-Small-24B-Instruct-2501-f32/Mistral-Small-24B-Instruct-2501-f32-00001-of-00003.gguf"

Server starten

llama-server \
  -m mistral-small-24b-instruct-2501.gguf \
  --n-gpu-layers 8 \
  --ctx-size 3099 \
  --flash-attn

Überprüfen

curl http://localhost:8080/health

Erkunden

• Bereitstellung konfigurieren
• Modelle durchsuchen
• Hardware durchsuchen

Andere Quantisierungen

• Mistral Small 24B Instruct 2501 (FP16)
• Mistral Small 24B Instruct 2501 (Q8_0)
• Mistral Small 24B Instruct 2501 (Q5_K_M)

Andere Hardware

• Mistral Small 24B Instruct 2501 on CPU Only
• Mistral Small 24B Instruct 2501 on NVIDIA A100 80GB
• Mistral Small 24B Instruct 2501 on NVIDIA H100

Häufig gestellte Fragen

Wie viel VRAM benötigt Mistral Small 24B Instruct 2501 (FP32)?

Die FP32-Quantisierung von Mistral Small 24B Instruct 2501 benötigt 87.82 GB. 8 von 40 Schichten passen in die 20 GB VRAM von NVIDIA RTX 4000 SFF; die übrigen Schichten werden auf die CPU ausgelagert.

Kann ich Mistral Small 24B Instruct 2501 auf NVIDIA RTX 4000 SFF ausführen?

Ja, mit reduzierter Leistung. NVIDIA RTX 4000 SFF kann Mistral Small 24B Instruct 2501 (FP32) ausführen, aber nur 8 von 40 Schichten passen in den VRAM. Der Rest wird auf die CPU ausgelagert.

Was ist Quantisierung?

Quantisierung reduziert die numerische Präzision eines Modells von seinem ursprünglichen Gleitkommaformat auf eine kompaktere Darstellung. Dies verringert die Dateigröße und den VRAM-Bedarf, wodurch es möglich wird, große Modelle auf Consumer-Hardware auszuführen. Der Kompromiss ist eine geringe Verringerung der Ausgabequalität. FP32 komprimiert Mistral Small 24B Instruct 2501 von seiner ursprünglichen Größe auf 87.82 GB.

Welche Quantisierung sollte ich für Mistral Small 24B Instruct 2501 wählen?

FP32 ist eine Vollpräzisions- Quantisierung. Hochwertigere Quants (Q8, Q6) bewahren mehr Modellgenauigkeit, benötigen aber mehr VRAM. Niedrigere Quants (Q4, Q3, Q2) reduzieren den VRAM-Verbrauch auf Kosten der Qualität. Wählen Sie basierend auf Ihrer verfügbaren Hardware und Ihren Qualitätsanforderungen.

Was ist Flash Attention und warum ist es aktiviert?

Flash Attention ist ein speichereffizienter Algorithmus, der den Attention-Mechanismus in Transformer-Modellen beschleunigt. Er reduziert den VRAM-Verbrauch während der Inferenz, indem er die Materialisierung der vollständigen Attention-Matrix vermeidet. Für Mistral Small 24B Instruct 2501 auf NVIDIA RTX 4000 SFF ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 20 GB VRAM zu maximieren.

Warum werden einige Schichten auf die CPU ausgelagert?

NVIDIA RTX 4000 SFF hat 20 GB VRAM, aber Mistral Small 24B Instruct 2501 (FP32) benötigt ungefähr 87.82 GB. Nur 8 von 40 Schichten passen in den VRAM; die übrigen Schichten laufen auf der CPU, was langsamer, aber funktional ist.

Wie führe ich Mistral Small 24B Instruct 2501 (FP32) mit Ollama aus?

Führen Sie ollama run mistral-small:24b-instruct-2501-fp32 aus, um Mistral Small 24B Instruct 2501 (FP32) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 12. März 2026