Ministral 3 14B в квантизации Q4_K_M с контекстом 8 тысяч токенов занимает 9,9 ГБ видеопамяти. Самый дешёвый вариант сейчас — RTX 3060 12 ГБ, от 6,95 ₽/ч.
Размер файла весов и вся нужная видеопамять с кэшем контекста. Одна видеокарта, один запрос.
| Квантизация | Файл | Контекст 8K | Контекст 32K | Контекст 128K | Хватит видеокарты |
|---|---|---|---|---|---|
| FP8родная | 14,6 | 16,9 | 20,6 | 35,6 | RTX 4000 Ada 20 ГБ |
| BF16 | 25,2 | 27,4 | 31,2 | 46,2 | Tesla V100 Super 32 ГБ |
| Q8_0 | 13,4 | 15,6 | 19,4 | 34,4 | RTX 4000 Ada 20 ГБ |
| Q6_K | 10,3 | 12,6 | 16,3 | 31,3 | RTX 4070 Ti Super 16 ГБ |
| Q5_K_M | 9,0 | 11,2 | 15,0 | 30,0 | RTX 3060 12 ГБ |
| Q4_K_M | 7,7 | 9,9 | 13,7 | 28,7 | RTX 3060 12 ГБ |
| Q3_K_M | 6,2 | 8,5 | 12,2 | 27,2 | RTX 3080 10 ГБ |
| Q2_K | 4,9 | 7,1 | 10,9 | 25,9 | RTX 4060 8 ГБ |
Сколько памяти занимает кэш на один запрос в FP16. Q8-кэш почти вдвое меньше. 160 КБ на токен.
Видеокарты из каталога, на которых модель помещается, по цене за час.
Цена — от самой дешёвой видеокарты этой модели × число GPU. Сервер на 2–8 видеокарт бывает немного дороже за штуку.
Для API с высокой нагрузкой — шаблон vLLM с OpenAI-совместимым API.
Размеры файлов сверены с Hugging Face 2026-10-19. 1 ГБ здесь — 1024³ байт, как у видеокарт. На Hugging Face размеры в десятичных гигабайтах, поэтому там числа на 7% больше.