Mistral Small 24B Instruct 2501 (FP32) — 79.4 GBauf OVH a100-1-gpu
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 80 GB VRAM von OVH a100-1-gpu. Inferenz ist dennoch über CPU-Offload oder speicherabgebildetes Laden von der Festplatte möglich, allerdings mit deutlich reduzierter Leistung.
Die NVIDIA A100 80 GB ist eine Datacenter-GPU mit 80 GB HBM2e VRAM und 2039 GB/s Speicherbandbreite. Sie liefert 312 FP16 TFLOPS und ermoeglicht schnelle Inferenz grosser Sprachmodelle mit bis zu 70B Parametern bei moderater Quantisierung. Bestens geeignet fuer Datacenter-Teams, die produktive LLM-Workloads mit hoher Speicherkapazitaet und hohem Durchsatz betreiben.
Hardwareanforderungen
| Modellgröße | 87.82 GB |
| Verfügbarer VRAM | 80 GB |
| Genutzter VRAM | 79.4 GB |
| System-RAM | 160 GB |
| Min. RAM benötigt | 11 GB |
| GPU-Ebenen | 35 / 40 |
| Kontextgröße | 6.882 |
| Backend | cuda13 |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
Bereitstellung
Voraussetzungen
Stellen Sie sicher, dass Ihre GPU-Knoten mit dem NVIDIA Container Toolkit vorbereitet sind:
ansible-playbook prositronic.infra.nvidia_container_toolkitBefehl
helmfile --state-values-file <(curl -s https://www.prositronic.eu/values/mistral-small-24b-instruct-2501/fp32/nvidia-a100-80gb.yaml) applyGenerierte values.yaml
/values/mistral-small-24b-instruct-2501/fp32/nvidia-a100-80gb.yaml
Werte werden geladen…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. 35 von 40 Schichten passen in die 80 GB VRAM von OVH a100-1-gpu; die übrigen Schichten werden auf die CPU ausgelagert.
Kann ich Mistral Small 24B Instruct 2501 auf OVH a100-1-gpu ausführen?
Ja, mit reduzierter Leistung. OVH a100-1-gpu kann Mistral Small 24B Instruct 2501 (FP32) ausführen, aber nur 35 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 OVH a100-1-gpu ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 80 GB VRAM zu maximieren.
Warum werden einige Schichten auf die CPU ausgelagert?
OVH a100-1-gpu hat 80 GB VRAM, aber Mistral Small 24B Instruct 2501 (FP32) benötigt ungefähr 87.82 GB. Nur 35 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.