Mistral 7B Instruct v0.3 kaç GB VRAM ister?

Mistral 7B Instruct v0.3, 32 katmanda 7,25B parametreye sahiptir. Grouped-query attention kullanır: 32 query head, 8 key-value head'i paylaşır; bu yüzden KV cache'i tam multi-head attention'a göre 4× küçüktür. En fazla 32.768 token context alır; bu uzunlukta tek bir kullanıcı, ağırlıkların üstüne FP16'da 4,00 GiB KV cache ister.

BF16 · 8k context · tek kullanıcı

15,43 GiB

13,50 GiB ağırlık, 1,00 GiB KV cache ve 954 MiB vLLM'in ek yükü. Aynı iş yükü INT4'te 5,88 GiB ister.

32 katman
hidden 4096
32/8 heads
head_dim 128
32k maks context

Hassasiyet ve context'e göre Mistral 7B Instruct v0.3 belleği

Hassasiyet	8k context	32k context
BF16	15,43 GiBKV cache 1,00 GiB	18,43 GiBKV cache 4,00 GiB
FP8	8,93 GiBKV cache 1,00 GiB	11,93 GiBKV cache 4,00 GiB
INT4	5,88 GiBKV cache 1,00 GiB	8,88 GiBKV cache 4,00 GiB

Tek kullanıcı, FP16 KV cache ve 70 GB altı bir kartın varsayılanlarıyla tek GPU'da vLLM'in ek yükü. Quantization ağırlıkları küçültür, KV cache'i değil; bu yüzden context büyüdükçe kazanç daralır.

Onu tek başına taşıyan GPU'lar

BF16 (15,43 GiB): NVIDIA L4, Apple M4, NVIDIA A30, RTX 3090 / Ti
FP8 (8,93 GiB): RTX 3060, NVIDIA T4, RTX 4060 Ti 16GB, RTX 4070 Ti Super
INT4 (5,88 GiB): RTX 3060, NVIDIA T4, RTX 4060 Ti 16GB, RTX 4070 Ti Super

8k context ve tek kullanıcı için, en küçük kartlar önce. Ayrık kartlarda vLLM'in varsayılanı olan bellek payı %92, unified bellekli cihazlarda GPU'nun kullanabildiği pay hesaba katılır; her cihaz kendi varsayılanlarıyla vLLM'in ek yükünü taşır.

Kaç kullanıcı sığar

GPU	BF16	FP8	INT4
RTX 4090	7	13	16
RTX 5090	14	20	23
RTX 6000 Ada	29	35	38
H100 SXM 80GB	57	64	67
RTX PRO 6000 Blackwell	72	78	81
AMD Ryzen AI Max+ 395 (128GB)	73	79	82
H200 141GB	113	119	122
B200 180GB	147	154	157

Kullanıcı başına 8k context ile, tek kartta. ✗: ağırlıklar tek bir kullanıcıya bile yer bırakmıyor.

Mistral 7B Instruct v0.3 ince ayarı

Yöntem	Bellek	En küçük GPU
Tam ince ayar	109,5 GiB	NVIDIA DGX Spark (GB10)
LoRA (rank 16, attention)	15,18 GiB	RTX 4060 Ti 16GB
QLoRA (rank 16, attention)	5,16 GiB	RTX 3060

Dizi uzunluğu 2.048, batch 1, gradient checkpointing açık, Adam. Tam ince ayar aktivasyonlardan önce parametre başına 16 byte tutar; QLoRA dondurulmuş temel modeli 4-bit NF4 olarak saklar.

Sayılar nereden geliyor

Ağırlıklar parametre × parametre başına byte olur. KV cache 2 × katman × key-value head × head boyutu × byte × context × kullanıcı olur. Mistral 7B Instruct v0.3 için bu, FP16'da token başına 128,0 KiB eder. Bunlar kapasite planlama sayılarıdır: servis motoru — vLLM, TGI, llama.cpp — ve paged-attention verimliliği gerçek değeri yine değiştirir.

Daha fazlası: KV cache boyutu ve GQA, MQA ve MLA.