Mistral-Nemo-Instruct-2407: VRAM- und Speicherbedarf

Konkrete Checkpoints mit belegter Struktur und ausgewählten Gewichtungsdateien. GGUF Q4_K_M (Unsloth): 8,34 GiB–8,94 GiB bei 8.192 Tokens, 1 Sequenz, FP16-KV, llama.cpp.

Das Ergebnis ist eine Schätzung, keine Messung.Nicht geprüftDateigestützte Gewichte

Läuft auf

Herausgeber und Herkunft

Speicherschichten in dieser Schätzung

Datei-Bytes, rohes KV, Engine-Zusätze und Gesamtbedarf stehen getrennt. Das ist keine Laufzeitspur.

Weight artifact
6,96 GiB (7.477.204.512 bytes)
Raw KV cache
1,25 GiB (1.342.177.280 bytes)
Engine extras / workspace
0,13 GiB–0,73 GiB
Total estimated demand
8,34 GiB–8,94 GiB

Gewählte Dateien

QuantisierungGewählte DateienBytesLaufzeitBeleg
BF16 safetensors
bf16
5 Safetensors-Shards
Ausgewählte Bytes gesamt: 24.495.564.800 (22,81 GiB / 24,50 GB)
Erster Shard: model-00001-of-00005.safetensors
Letzter Shard: model-00005-of-00005.safetensors
Alle 5 Shard-Dateien anzeigen
  • model-00001-of-00005.safetensors
  • model-00002-of-00005.safetensors
  • model-00003-of-00005.safetensors
  • model-00004-of-00005.safetensors
  • model-00005-of-00005.safetensors
24.495.564.800 (22,81 GiB / 24,50 GB)vllm, sglang, unspecifiedfile-metadata
GGUF Q4_K_M (Unsloth)
gguf-q4_k_m
Mistral-Nemo-Instruct-2407.Q4_K_M.gguf7.477.204.512 (6,96 GiB / 7,48 GB)llama.cpp, ollama, unspecifiedfile-metadata
GGUF Q5_K_M (Unsloth)
gguf-q5_k_m
Mistral-Nemo-Instruct-2407.Q5_K_M.gguf8.727.631.392 (8,13 GiB / 8,73 GB)llama.cpp, ollama, unspecifiedfile-metadata
GGUF Q6_K (Unsloth)
gguf-q6_k
Mistral-Nemo-Instruct-2407.Q6_K.gguf10.056.209.952 (9,37 GiB / 10,06 GB)llama.cpp, ollama, unspecifiedfile-metadata
GGUF Q8_0 (Unsloth)
gguf-q8_0
Mistral-Nemo-Instruct-2407.Q8_0.gguf13.022.369.312 (12,13 GiB / 13,02 GB)llama.cpp, ollama, unspecifiedfile-metadata
INT4 theoreticalKeine veröffentlichte Datei6.123.891.200 (Theoretische Zeilen sind keine herunterladbaren Artefakte.)—theoretical

Speicher nach Quantisierung und Kontext

Gleichzeitige Sequenzen = 1. KV ist standardmäßig FP16. Die Spanne enthält dokumentierte Laufzeit-Zusätze der genannten Engine. Die Zahlen nutzen denselben Kern wie der interaktive Rechner.

Quantisierung2.048 tokens8.192 tokens32.768 tokens
BF16 safetensors23,75 GiB–25,64 GiB24,69 GiB–26,60 GiB28,44 GiB–30,46 GiB
GGUF Q4_K_M (Unsloth)7,40 GiB–7,92 GiB8,34 GiB–8,94 GiB12,09 GiB–12,95 GiB
GGUF Q5_K_M (Unsloth)8,57 GiB–9,11 GiB9,50 GiB–10,13 GiB13,25 GiB–14,14 GiB
GGUF Q6_K (Unsloth)9,80 GiB–10,37 GiB10,74 GiB–11,39 GiB14,49 GiB–15,40 GiB
GGUF Q8_0 (Unsloth)12,57 GiB–13,19 GiB13,50 GiB–14,21 GiB17,25 GiB–18,22 GiB
INT4 theoretical
Theoretische Zeilen sind keine herunterladbaren Artefakte.
6,14 GiB–8,29 GiB7,08 GiB–9,46 GiB10,83 GiB–14,07 GiB

KV-Cache (Rohdaten)

Rohes GQA/MHA-KV ist 2 × Schichten × kvHeads × headDim × Tokens × Sequenzen × Bytes je Element. Diese Seite nutzt KV-Heads (8), nicht Query-Heads (32).

Rechner mit diesem Modell öffnen

Verwandte Seiten

Quellen

Annahmen, die das Ergebnis beeinflussen

Rechner

Katalog-Snapshot wird geladen…

Zuerst ein Modell wählen, danach das Gerät prüfen.

Quantisierung

Gerätetyp

Last

Die Kontextlänge betrifft vor allem den KV-Cache.

Erweiterte Einstellungen
Laufzeit

Engine und KV-Cache-Typ für diese Schätzung.

Arbeitslast

Overhead-Szenario und der Prefill-Arbeitsspeicher.

Topologie

Wie das Modell auf Geräte verteilt wird. Speicher wird nicht addiert.

Replikatzahl ist eine erweiterte Option. Anzahl meint Knoten oder GPUs, nicht Replikate.

Budget

Systemreserve und Sicherheitsmarge. Ein leeres Feld behält den vorherigen Wert.

GiB (2^30 Byte)

%

Eigenes Modell

Konfiguration importieren oder die Architektur eintragen. Vor dem Import wird nichts gescannt.

Die Datei wird nur im Browser gelesen und nicht hochgeladen.

Nur huggingface.co, nur config.json, kein Token. Private Repos werden abgelehnt.

Suchen oder ein Katalogmodell wählen, um den VRAM-Bedarf zu sehen.

Suchen oder ein Katalogmodell wählen, um den VRAM-Bedarf zu sehen.