LLM Restricted

Codestral 22B

22B параметров · Transformer · Контекст 33k · Mistral AI · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 44 ГБ Максимальное Для продакшена
FP8 22 ГБ Отличное Оптимально
INT8 22 ГБ Хорошее
INT4/Q4 11 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA RTX 4090
24 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM llama.cpp

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Codestral-22B-v0.1 \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Mistral AI
Год выпуска
2024
Параметры
22B
Архитектура
Transformer
Контекстное окно
32,768 токенов
Лицензия
Restricted

Применение

Code generation Code completion Code infilling Debugging

Codestral 22B — «рабочая станция» Mistral для разработчиков: модель заточена под code completion, генерацию патчей и fill-in-the-middle, покрывает 80+ языков и хорошо чувствует себя в IDE-подобных сценариях с узким контекстом файла. Если вам нужна не «болтливая болтушка», а предсказуемая генерация кода с уважением к локальному стилю репозитория, Codestral часто оказывается сильнее универсальных instruct той же весовой категории. Лицензия Restricted — проверьте условия перед коммерческим применением.

Чекпоинт: mistralai/Codestral-22B-v0.1, контекст 32k.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Codestral 22B в fp16 рекомендуем RTX 4090 (часто впритык) или A100 / H100 с запасом. Перейдите в каталог GPU и арендуйте инстанс.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model mistralai/Codestral-22B-v0.1 \
  --dtype auto \
  --max-model-len 32768

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistralai/Codestral-22B-v0.1",
    "messages": [{"role": "user", "content": "Напиши функцию на Python для бинарного поиска"}]
  }'

Оптимизация

  • Давайте модели минимальный, но достаточный контекст: сигнатуры, типы, соседние функции — без простыни всего репозитория.
  • Низкий temperature обычно лучше для completion; для рефакторинга иногда полезен чуть более высокий, но с жёстким пост-линтером.
  • Если latency критичен, разнесите «маленькие дополнения» и «большие генерации» по разным лимитам токенов на уровне API-шлюза.