Мультимодальные Apache-2.0

Pixtral 12B

12B параметров · Transformer · Контекст 128k · Mistral AI · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 24 ГБ Максимальное Для продакшена
FP8 12 ГБ Отличное Оптимально
INT8 12 ГБ Хорошее
INT4/Q4 6 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

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Pixtral-12B-2409 \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Mistral AI
Год выпуска
2024
Параметры
12B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
Apache-2.0

Применение

Visual question answering Image captioning Document analysis Multimodal chat

Pixtral 12B — первая открытая VLM Mistral: умеет принимать несколько изображений в одном промпте и работать в длинном текстовом контексте (до 128k в спецификации семейства), что удобно для «принеси 5 скриншотов и сравни». Apache-2.0 снимает часть юридических вопросов для продуктовых пилотов; по VRAM это уже уровень «старшая однослотовая карта» или аккуратная квантизация.

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Ориентир — от ~24 ГБ VRAM в fp16; на практике чаще берут RTX 4090, A100 или H100 с запасом под несколько изображений. Перейдите в каталог GPU.

Шаг 2 — Поднимите vLLM (OpenAI-compatible + vision)

docker run --gpus all --shm-size=8g -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model mistralai/Pixtral-12B-2409 \
  --trust-remote-code \
  --max-model-len 32768 \
  --limit-mm-per-prompt image=8

Лимиты изображений и длины контекста уменьшайте, если ловите OOM.

Шаг 3 — Отправьте мультимодальный запрос

Используйте /v1/chat/completions: несколько блоков image_url подряд + текстовый запрос в том же content-массиве — типичный паттерн для сравнения скриншотов или пачки фото.

Оптимизация

  • Сжимайте изображения до достаточного для задачи разрешения: VLM редко нужны 8K пикселей по длинной стороне для UI-багов.
  • Длинный контекст дорог: храните историю диалога компактно и не пересылайте одни и те же картинки без необходимости.