Mistral Nemo 12B в квантизации Q4_K_M с контекстом 8 тысяч токенов занимает 9,2 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 |
|---|---|---|---|---|---|
| BF16 | 22,8 | 25,1 | 28,8 | 43,8 | Tesla V100 Super 32 ГБ |
| Q8_0 | 12,1 | 14,4 | 18,1 | 33,1 | RTX 4070 Ti Super 16 ГБ |
| Q6_K | 9,4 | 11,6 | 15,4 | 30,4 | RTX 3060 12 ГБ |
| Q5_K_M | 8,1 | 10,4 | 14,1 | 29,1 | RTX 3060 12 ГБ |
| Q4_K_M | 7,0 | 9,2 | 13,0 | 28,0 | RTX 3080 10 ГБ |
| Q3_K_M | 5,7 | 7,9 | 11,7 | 26,7 | RTX 3080 10 ГБ |
| Q2_K | 4,5 | 6,7 | 10,5 | 25,5 | 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.
В шаблоне Ollama модель ставится одной командой:
ollama run mistral-nemo:12bДля 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.