Mistral Small 24B Instruct 2501 (Q8_0) — 15.4 Gosur Apple M2 Pro 16GB

Q8_0 Apple M2 Pro 16GB

Aperçu

Mistral Small 24B Instruct 2501 est un modèle de langage dense de 23.57B paramètres par Mistral AI, avec des capacités en code, multilingual, tool-calls. Il prend en charge une fenêtre de contexte allant jusqu’à 32,768 tokens.

Mistral Small 24B Instruct 2501 est un transformeur dense de 23,57 milliards de paramètres développé par Mistral AI, optimisé pour le suivi d'instructions, la génération de code et la conversation multilingue. Il se situe dans une classe de paramètres moyenne offrant des performances élevées par rapport à sa taille, rivalisant avec des modèles plus grands de 30B sur de nombreux benchmarks. Le modèle prend en charge le "tool calling" et 10 langues dont l'anglais, le français, le chinois et le japonais. Avec une fenêtre de contexte de 32K et le "flash attention", il tient sur un seul GPU grand public en quantification Q4 pour une inférence auto-hébergée efficace.

Avec la quantification Q8_0 (niveau de qualité high), le modèle pèse 23.33 Go. Cela dépasse les 16 Go de VRAM de Apple M2 Pro 16GB. L'inférence reste possible via le déchargement CPU ou le chargement mappé en mémoire depuis le disque, mais avec des performances considérablement réduites.

Configuration matérielle requise

Taille du modèle	23.33 GB
VRAM disponible	16 GB
VRAM utilisée	15.4 GB
RAM min requise	9.3 GB
Couches GPU	24 / 40
Taille du contexte	824
Backend	metal
Flash attention	Oui

Notes de performance

Performances réduites

16 des 40 couches s'exécutent sur le CPU. Votre système nécessite au moins 9.3 Go de RAM. Si la RAM système est insuffisante, les données seront lues depuis le disque à la demande, avec un impact significatif sur les performances.

Conversations plus courtes

La taille du contexte a été réduite en raison de contraintes mémoire. Cela peut affecter la capacité du modèle à gérer de longues conversations.

Déploiement

Installer llama.cpp

brew install llama.cpp

Télécharger le modèle

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-Q8_0.gguf"

Démarrer le serveur

llama-server \
  -m mistral-small-24b-instruct-2501.gguf \
  --n-gpu-layers 24 \
  --ctx-size 824 \
  --flash-attn

Vérifier

curl http://localhost:8080/health

Explorer

• Configurer un déploiement
• Parcourir les modèles
• Parcourir le matériel

Autres quantifications

• Mistral Small 24B Instruct 2501 (FP16)
• Mistral Small 24B Instruct 2501 (Q5_K_M)
• Mistral Small 24B Instruct 2501 (Q4_K_M)

Autre matériel

• 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

Questions fréquemment posées

De combien de VRAM Mistral Small 24B Instruct 2501 (Q8_0) a-t-il besoin ?

La quantification Q8_0 de Mistral Small 24B Instruct 2501 nécessite 23.33 Go. 24 des 40 couches tiennent dans les 16 Go de VRAM de Apple M2 Pro 16GB ; les couches restantes sont déchargées sur le CPU.

Puis-je exécuter Mistral Small 24B Instruct 2501 sur Apple M2 Pro 16GB ?

Oui, avec des performances réduites. Apple M2 Pro 16GB peut exécuter Mistral Small 24B Instruct 2501 (Q8_0), mais seules 24 des 40 couches tiennent dans la VRAM. Le reste est déchargé sur le CPU.

Qu'est-ce que la quantification ?

La quantification réduit la précision numérique d'un modèle de son format virgule flottante original vers une représentation plus compacte. Cela réduit la taille du fichier et l'empreinte VRAM, rendant possible l'exécution de grands modèles sur du matériel grand public. Le compromis est une légère réduction de la qualité de sortie. Q8_0 compresse Mistral Small 24B Instruct 2501 de sa taille originale à 23.33 Go.

Quelle quantification choisir pour Mistral Small 24B Instruct 2501 ?

Q8_0 est une quantification haute qualité. Les quants de meilleure qualité (Q8, Q6) préservent davantage la précision du modèle mais nécessitent plus de VRAM. Les quants inférieurs (Q4, Q3, Q2) réduisent l'utilisation de la VRAM au prix d'une certaine qualité. Choisissez en fonction de votre matériel disponible et de vos exigences de qualité.

Qu'est-ce que le flash attention et pourquoi est-il activé ?

Flash attention est un algorithme efficace en mémoire qui accélère le mécanisme d'attention dans les modèles transformer. Il réduit l'utilisation de la VRAM pendant l'inférence en évitant la matérialisation de la matrice d'attention complète. Pour Mistral Small 24B Instruct 2501 sur Apple M2 Pro 16GB, flash attention est activé pour maximiser la longueur de contexte et le débit dans les 16 Go de VRAM disponibles.

Pourquoi certaines couches sont-elles déchargées sur le CPU ?

Apple M2 Pro 16GB dispose de 16 Go de VRAM, mais Mistral Small 24B Instruct 2501 (Q8_0) nécessite environ 23.33 Go. Seules 24 des 40 couches tiennent dans la VRAM ; les couches restantes s'exécutent sur le CPU, ce qui est plus lent mais fonctionnel.

Comment exécuter Mistral Small 24B Instruct 2501 (Q8_0) avec Ollama ?

Exécutez ollama run mistral-small:24b-instruct-2501-q8_0 pour démarrer Mistral Small 24B Instruct 2501 (Q8_0). Ollama télécharge automatiquement les poids du modèle au premier lancement.

Dernière mise à jour : 12 mars 2026