Mixtral 8x22B Instruct kaç GB VRAM ister?

Mixtral 8x22B Instruct, 56 katmanda 140,60B parametreye sahiptir. Grouped-query attention kullanır: 48 query head, 8 key-value head'i paylaşır; bu yüzden KV cache'i tam multi-head attention'a göre 6× küçüktür. Mixture-of-Experts modelidir: toplam 140,60B parametrenin token başına yaklaşık 39,00B kadarı aktiftir; bellek hepsini tutmak zorundadır, her token ise yalnızca aktif kısımdan geçer. En fazla 65.536 token context alır; bu uzunlukta tek bir kullanıcı, ağırlıkların üstüne FP16'da 14,00 GiB KV cache ister.

BF16 · 8k context · tek kullanıcı

265,6 GiB

261,9 GiB ağırlık, 1,75 GiB KV cache ve 2,01 GiB vLLM'in ek yükü. Aynı iş yükü INT4'te 73,87 GiB ister.

56 katman
hidden 6144
48/8 heads
head_dim 128
64k maks context
MoE

Hassasiyet ve context'e göre Mixtral 8x22B Instruct belleği

Hassasiyet	8k context	32k context	64k context
BF16	265,6 GiBKV cache 1,75 GiB	270,9 GiBKV cache 7,00 GiB	277,9 GiBKV cache 14,00 GiB
FP8	135,1 GiBKV cache 1,75 GiB	140,3 GiBKV cache 7,00 GiB	147,3 GiBKV cache 14,00 GiB
INT4	73,87 GiBKV cache 1,75 GiB	79,12 GiBKV cache 7,00 GiB	86,12 GiBKV cache 14,00 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 (265,6 GiB): Apple M3 Ultra (512GB)
FP8 (135,1 GiB): Apple M2 Ultra, B200 180GB, AMD MI300X, Apple M3 Ultra (256GB)
INT4 (73,87 GiB): H100 NVL 94GB, GH200 96GB, RTX PRO 6000 Blackwell, RTX PRO 6000 Blackwell Server

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	sığmaz	sığmaz	sığmaz
RTX 5090	sığmaz	sığmaz	sığmaz
RTX 6000 Ada	sığmaz	sığmaz	sığmaz
H100 SXM 80GB	sığmaz	sığmaz	sığmaz
RTX PRO 6000 Blackwell	sığmaz	sığmaz	7
AMD Ryzen AI Max+ 395 (128GB)	sığmaz	sığmaz	7
H200 141GB	sığmaz	sığmaz	30
B200 180GB	sığmaz	13	48

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

Mixtral 8x22B Instruct ince ayarı

Yöntem	Bellek	En küçük GPU
Tam ince ayar	2097,4 GiB	birden çok GPU, paylaştırılmış
LoRA (rank 16, attention)	264,7 GiB	AMD MI355X
QLoRA (rank 16, attention)	70,33 GiB	A100 80GB

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. Mixtral 8x22B Instruct için bu, FP16'da token başına 224,0 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.