LLM Apache-2.0

Mistral Small 3.1

24B параметров · Transformer · Контекст 128k · Mistral AI · 2025

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 48 ГБ Максимальное Для продакшена
FP8 24 ГБ Отличное Оптимально
INT8 24 ГБ Хорошее
INT4/Q4 12 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 Ollama llama.cpp

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Mistral-Small-3.1-24B-Instruct-2503 \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Mistral AI
Год выпуска
2025
Параметры
24B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
Apache-2.0

Применение

Instruction following Code generation Reasoning Multilingual tasks

Mistral Small 3.1 — это «средний» слот в линейке Mistral: заметно мощнее классических 7–8B, но без цены и инфраструктуры флагманов. Модель заточена под практичный enterprise-стек: длинный контекст, мультиязычность, аккуратное следование инструкциям и устойчивость в многоходовых сценариях. Для команд, которым нужен баланс качества и стоимости GPU-часа, это часто оптимальный компромисс перед переходом на топовые MoE.

Технически это instruct-модель с окном 128k токенов; веса и карточка модели — mistralai/Mistral-Small-3.1-24B-Instruct-2503 (в fp16 по памяти ближе к двум потребительским 24 ГБ-картам, чем к одной).

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Mistral Small 3.1 в fp16 ориентируйтесь на две RTX 4090 (по 24 ГБ) или одну A100 / H100 с достаточным объёмом памяти; в FP8 чаще хватает одной 4090. Перейдите в каталог GPU и арендуйте инстанс (при двух GPU укажите хост с парой карт или выберите класс с большим VRAM).

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model mistralai/Mistral-Small-3.1-24B-Instruct-2503 \
  --dtype auto \
  --max-model-len 131072

На двух RTX 4090 в fp16 добавьте --tensor-parallel-size 2; на одной A100/H100 с большим объёмом VRAM этот флаг не нужен.

Альтернативно, для быстрого старта используйте Ollama:

ollama run mistral-small3.1

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistralai/Mistral-Small-3.1-24B-Instruct-2503",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе."}]
  }'

Оптимизация

  • Для 128k контекста на практике часто начинают с меньшего --max-model-len и поднимают его после профилирования KV-cache.
  • Если арендуете две карты под fp16, используйте --tensor-parallel-size 2 и следите за связностью PCIe/NVLINK — это влияет на latency первого токена.
  • Если нужен стабильный throughput, разумно ограничить concurrency на уровне прокси и использовать очередь запросов.