Какая средняя скорость генерации у Mistral Small 24B (NeMo / 24B)?

Ориентировочная скорость составляет: 50–70 т/с на RTX 4090 24GB.

Mistral AI24 млрд параметров•Окно контекста: 32k токенов

Сервер для Mistral Small 24B (NeMo / 24B): требования к VRAM, железу и расчет цен

Q: Сколько видеопамяти (VRAM) нужно для Mistral Small 24B (NeMo / 24B)?

Для 4-битного квантования (Q4_K_M / AWQ) требуется от 15 ГБ VRAM. Для 8-битного или FP16 режима рекомендуется от 28 ГБ VRAM.

Универсальная европейская модель от создателей Mistral. Прекрасно соблюдает системные промпты, идеальна для RAG-конвейеров и вызова функций (Function Calling / Tool Use). Полный технический разбор для инженеров, вебмастеров и бизнеса: сколько памяти нужно под веса и KV-кэш, на каких видеокартах модель показывает максимальный FPS и как не переплачивать за хостинг.

Краткая спецификация оборудования

VRAM (4-bit Q4)15 ГБ

VRAM (FP16 / 8-bit)28 ГБ

Системная RAM32+ ГБ

Рекомендуемый GPUNVIDIA RTX 4090 24GB или A100

Выберите нейросеть для подбора оборудования

Алгоритм рассчитает вес модели, требуемый VRAM под разное квантование и подберет серверы с минимальной ценой

Разработчик:

Размер:

Mistral AI24 млрд параметров•Контекст: 32k токенов

Mistral Small 24B (NeMo / 24B)

✓ AI-агенты и Function Calling✓ Корпоративный поиск RAG✓ Обработка заказов✓ Интеграция с CRM

Минимум VRAM (Q4)

15 ГБ VRAM

Для 4-bit квантования (AWQ/GGUF)

Рекомендуемый VRAM

28 ГБ VRAM

Для FP8 / FP16 и длинного контекста

Системная RAM

32+ ГБ RAM

От 8 ядер vCPU

Место на NVMe

55+ ГБ NVMe

Для весов модели, Ollama и ОС

Ориентир скорости: 50–70 т/с на RTX 4090 24GBВ квантовании Q4_K_M требует 14.5 ГБ VRAM, что оставляет в 24-гигабайтной карте еще почти 10 ГБ под большой контекст и параллельные запросы пользователей.

Команда для мгновенного запуска в Ollama:

ollama run mistral-small:24b

СЕРВЕРЫ ИЗ КАТАЛОГА ПОД MISTRAL SMALL 24B (NEMO / 24B)

Для каких задач лучше всего подходит Mistral Small 24B (NeMo / 24B)?

Модель разработана компанией Mistral AI и включает 24 млрд параметров. Благодаря архитектуре глубоких трансформеров и обучению на обширном корпусе текстов модель демонстрирует высокую точность в следующих сценариях:

AI-агенты и Function Calling — минимальный процент галлюцинаций и четкое следование контексту.
Корпоративный поиск RAG — минимальный процент галлюцинаций и четкое следование контексту.
Обработка заказов — минимальный процент галлюцинаций и четкое следование контексту.
Интеграция с CRM — минимальный процент галлюцинаций и четкое следование контексту.

Особенности квантования и потребления памяти

В квантовании Q4_K_M требует 14.5 ГБ VRAM, что оставляет в 24-гигабайтной карте еще почти 10 ГБ под большой контекст и параллельные запросы пользователей.

Оценка скорости генерации

50–70 т/с на RTX 4090 24GB. Обратите внимание, что скорость зависит не только от вычислительных ядер CUDA, но и в первую очередь от пропускной способности шины памяти (Memory Bandwidth). Именно поэтому видеокарты с быстрой памятью GDDR6X (RTX 4090) или HBM2e/HBM3 (A100/H100) генерируют токены в разы быстрее серверов на обычной DDR4/DDR5 памяти.

Инструкция по быстрому запуску на сервере

Самый быстрый и надежный способ запустить Mistral Small 24B (NeMo / 24B) на арендованном сервере — использовать бесплатный движок Ollama:

# 1. Установка Ollama в Linux (Ubuntu/Debian)curl -fsSL https://ollama.com/install.sh | sh

# 2. Скачивание и запуск моделиollama run mistral-small:24b

# 3. Тест API (OpenAI-совместимый эндпоинт на порту 11434)

curl http://localhost:11434/api/generate -d '{"model":"mistral-small:24b","prompt":"Привет! Назови 3 главных плюса сервера на NVMe"}'

Часто задаваемые вопросы по Mistral Small 24B (NeMo / 24B)

Сколько видеопамяти (VRAM) нужно для Mistral Small 24B (NeMo / 24B)?

Для 4-битного квантования (Q4_K_M / AWQ) требуется минимум 15 ГБ VRAM. Для 8-битного или FP16 режима рекомендуется от 28 ГБ VRAM.

Можно ли запустить Mistral Small 24B (NeMo / 24B) без видеокарты на обычном CPU?

Для комфортной интерактивной работы модели с 24 млрд параметров запуск на CPU не рекомендуется из-за низкой скорости (1–3 токена в секунду). Рекомендуется использовать видеокарты уровня NVIDIA RTX 4090 24GB или A100.

Какой сервер лучше арендовать: с помесячной или почасовой оплатой?

Если вы только тестируете модель или запускаете периодическую пакетную обработку, выгоднее взять GPU с почасовой тарификацией (например, в Selectel или Serverspace). Для постоянной работы корпоративного бота или RAG-системы выгоднее помесячная аренда (в Timeweb Cloud или Aeza), где скидка на длительный срок доходит до 20–30%.

Все AI модели в калькуляторе Смотреть каталог GPU серверов