Mistral Small 3.2 24B в квантизации Q4_K_M с контекстом 8 тысяч токенов занимает 15,6 ГБ видеопамяти. Самый дешёвый вариант сейчас — 2× RTX 3060 12 ГБ, от 14 ₽/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 | 43,9 | 46,2 | 49,9 | 64,9 | RTX A6000 48 ГБ |
| Q8_0 | 23,3 | 25,6 | 29,3 | 44,3 | Tesla V100 Super 32 ГБ |
| Q6_K | 18,0 | 20,3 | 24,0 | 39,0 | RTX 3090 24 ГБ |
| Q5_K_M | 15,6 | 17,9 | 21,6 | 36,6 | RTX 4000 Ada 20 ГБ |
| Q4_K_M | 13,3 | 15,6 | 19,3 | 34,3 | RTX 4070 Ti Super 16 ГБ |
| Q3_K_M | 10,7 | 12,9 | 16,7 | 31,7 | RTX 4070 Ti Super 16 ГБ |
| Q2_K | 8,3 | 10,5 | 14,3 | 29,3 | RTX 3060 12 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-small3.2:24bДля 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.