LLM Apache-2.0

Mistral 7B v0.3

7B параметров · Transformer · Контекст 32k · Mistral AI · 2023

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 14 ГБ Максимальное Для продакшена
FP8 7 ГБ Отличное Оптимально
INT8 7 ГБ Хорошее
INT4/Q4 4 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA RTX 4090
24 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA RTX 3090
24 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM Ollama llama.cpp TGI

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Mistral-7B-Instruct-v0.3 \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Mistral AI
Год выпуска
2023
Параметры
7B
Архитектура
Transformer
Контекстное окно
32,000 токенов
Лицензия
Apache-2.0

Применение

Instruction following Code generation Text summarization Chatbots

Mistral 7B Instruct v0.3 — компактная модель, которая задала планку для класса 7B: сильное следование инструкциям, уверенная работа с кодом и диалогом при скромном footprint. Её часто выбирают как «рабочую лошадку» для чат-ботов и внутренних ассистентов, где важны предсказуемость ответа и лицензия без vendor lock-in. Контекст 32k позволяет скармливать длинные документы без немедленного перехода на более тяжёлые веса.

Архитектура — decoder-only Transformer; чекпоинт на Hugging Face: mistralai/Mistral-7B-Instruct-v0.3.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Mistral 7B в fp16 рекомендуем одну RTX 4090 (24 ГБ) или RTX 3090 (24 ГБ); в FP8/квантизации хватает и меньшего запаса по VRAM. Перейдите в каталог GPU и арендуйте инстанс.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model mistralai/Mistral-7B-Instruct-v0.3 \
  --dtype auto \
  --max-model-len 32768

Альтернативно, для быстрого старта используйте Ollama:

ollama run mistral:7b-instruct

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistralai/Mistral-7B-Instruct-v0.3",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе."}]
  }'

Оптимизация

  • Если упираетесь в VRAM, оставьте --dtype auto и при необходимости снизьте --max-model-len — длинный контекст резервирует KV-cache.
  • Для продакшн-нагрузки имеет смысл задать --gpu-memory-utilization (например 0.92) и лимиты параллельных запросов под ваш SLO latency.
  • Для batch/offline-задач смотрите в сторону continuous batching vLLM и отдельного лимита max_num_seqs.