Mistral Small 24B Instruct 2501 (Q3_K_L) — 15.4 GBauf NVIDIA RTX 5070 Ti

Q3_K_L NVIDIA RTX 5070 Ti

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 Q3_K_L-Quantisierung (Qualitätsstufe low) wiegt das Modell 11.55 GB. Das passt in die 16 GB VRAM von NVIDIA RTX 5070 Ti und ermöglicht vollständige GPU-Inferenz.

Hardwareanforderungen

Modellgröße	11.55 GB
Verfügbarer VRAM	16 GB
Genutzter VRAM	15.4 GB
GPU-Ebenen	40 / 40
Kontextgröße	13.659
Backend	cuda13
Flash Attention	Ja

Leistungshinweise

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/q3_k_l/nvidia-rtx5070ti.yaml) apply

Generierte values.yaml

/values/mistral-small-24b-instruct-2501/q3_k_l/nvidia-rtx5070ti.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-Q3_K_L.gguf"

Server starten

llama-server \
  -m mistral-small-24b-instruct-2501.gguf \
  --n-gpu-layers 40 \
  --ctx-size 13659 \
  --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 (Q3_K_L)?

Die Q3_K_L-Quantisierung von Mistral Small 24B Instruct 2501 benötigt 11.55 GB. Alle 40 Schichten passen in die 16 GB VRAM von NVIDIA RTX 5070 Ti, was volle GPU-Beschleunigung ermöglicht.

Kann ich Mistral Small 24B Instruct 2501 auf NVIDIA RTX 5070 Ti ausführen?

Ja. NVIDIA RTX 5070 Ti bietet 16 GB VRAM, was ausreicht, um Mistral Small 24B Instruct 2501 (Q3_K_L) mit allen Schichten auf der GPU für optimale Leistung auszuführen.

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. Q3_K_L komprimiert Mistral Small 24B Instruct 2501 von seiner ursprünglichen Größe auf 11.55 GB.

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

Q3_K_L ist eine niedrigwertige 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 5070 Ti ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 16 GB VRAM zu maximieren.

Wie führe ich Mistral Small 24B Instruct 2501 (Q3_K_L) mit Ollama aus?

Führen Sie ollama run mistral-small:24b-instruct-2501-q3_k_l aus, um Mistral Small 24B Instruct 2501 (Q3_K_L) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.

Zuletzt aktualisiert: 12. März 2026