Mistral Small 24B Instruct 2501 (Q5_K_S) — 15.4 GBauf Apple M2 Pro 16GB
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 Q5_K_S-Quantisierung (Qualitätsstufe medium) wiegt das Modell 15.18 GB. Das passt in die 16 GB VRAM von Apple M2 Pro 16GB und ermöglicht vollständige GPU-Inferenz.
Hardwareanforderungen
| Modellgröße | 15.18 GB |
| Verfügbarer VRAM | 16 GB |
| Genutzter VRAM | 15.4 GB |
| System-RAM | |
| Min. RAM benötigt | 1.1 GB |
| GPU-Ebenen | 37 / 40 |
| Kontextgröße | 596 |
| Backend | metal |
| Flash Attention | Ja |
| Lesen von Festplatte | Ja |
Leistungshinweise
Bereitstellung
llama.cpp installieren
brew install llama.cppModell 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-Q5_K_S.gguf"Server starten
llama-server \
-m mistral-small-24b-instruct-2501.gguf \
--n-gpu-layers 37 \
--ctx-size 596 \
--flash-attnÜberprüfen
curl http://localhost:8080/healthHäufig gestellte Fragen
Wie viel VRAM benötigt Mistral Small 24B Instruct 2501 (Q5_K_S)?
Die Q5_K_S-Quantisierung von Mistral Small 24B Instruct 2501 benötigt 15.18 GB. 37 von 40 Schichten passen in die 16 GB VRAM von Apple M2 Pro 16GB; die übrigen Schichten werden auf die CPU ausgelagert.
Kann ich Mistral Small 24B Instruct 2501 auf Apple M2 Pro 16GB ausführen?
Ja, mit reduzierter Leistung. Apple M2 Pro 16GB kann Mistral Small 24B Instruct 2501 (Q5_K_S) ausführen, aber nur 37 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. Q5_K_S komprimiert Mistral Small 24B Instruct 2501 von seiner ursprünglichen Größe auf 15.18 GB.
Welche Quantisierung sollte ich für Mistral Small 24B Instruct 2501 wählen?
Q5_K_S ist eine mittelwertige 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 Apple M2 Pro 16GB ist Flash Attention aktiviert, um Kontextlänge und Durchsatz innerhalb der verfügbaren 16 GB VRAM zu maximieren.
Warum werden einige Schichten auf die CPU ausgelagert?
Apple M2 Pro 16GB hat 16 GB VRAM, aber Mistral Small 24B Instruct 2501 (Q5_K_S) benötigt ungefähr 15.18 GB. Nur 37 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 (Q5_K_S) mit Ollama aus?
Führen Sie ollama run mistral-small:24b-instruct-2501-q5_k_s aus, um Mistral Small 24B Instruct 2501 (Q5_K_S) zu starten. Ollama lädt die Modellgewichte beim ersten Start automatisch herunter.