Mistral AI123B~75 GB VRAM przy Q4_K_M

Devstral-2 123B — VRAM, szybkość i lokalna konfiguracja

Name: LLM Configurator — GPU VRAM Checker
Author: LLM Configurator

Autor: Jakub Rusinowski · Ostatnia aktualizacja: 5 kwietnia 2026

The flagship coding agent, and dense — Mistral deliberately did not build this one sparse, so all 123B stream per token and throughput scales accordingly. Scores 71.6% on SWE-bench Verified, the best open-source coding-agent result at release. Requires about 75 GB at Q4_K_M, so a dual-GPU workstation. Apache 2.0.

Devstral-2 123B potrzebuje około 75 GB VRAM przy Q4_K_M — skwantyzowane wagi plus narzut frameworka, bez pamięci podręcznej KV. Na Apple Silicon ta wartość pochodzi z pamięci zunifikowanej.

Logika87

Kreatywność78

Kod95

VRAM i szybkość według kwantyzacji

Liczone dla NVIDIA RTX 4090 (24 GB). Tylko wagi i narzut: architektura tego modelu nie jest opublikowana, więc nie doliczamy pamięci KV.

Kwant.	VRAM	Szybkość (szac.)	Dopasowanie
Q2_K 2.63 bpw	41.2 GB	~3 tok/s	Częściowo w RAM
Q3_K_M 3.41 bpw	53.2 GB	~2 tok/s	Częściowo w RAM
Q4_K_M 4.83 bpw	75.1 GB	—	Za duży
Q5_K_M 5.67 bpw	88 GB	—	Za duży
Q6_K 6.56 bpw	101.7 GB	—	Za duży
Q8_0 8.50 bpw	131.5 GB	—	Za duży
F16 16.00 bpw	246.8 GB	—	Za duży

Czarny znacznik = dostępna pamięć na NVIDIA RTX 4090 (24 GB). Szacunki z modelu przepustowości pamięci opisanego na stronie metodologii. Kalkulator VRAM dla Devstral-2 123B →

Uruchom Devstral-2 123B

Najtańsze GPU z naszego katalogu, które uruchomi Devstral-2 123B, to NVIDIA DGX Spark (128 GB).

Kup ten sprzęt NVIDIA DGX Spark (128GB) — 128 GB VRAM · 150 W board power Uruchom w chmurze NVIDIA A100 80GB w RunPod — od $1.39/godz. · stawka sprawdzona 2026-07

lub porównaj w Vast.ai od $0.77/godz. (typical low · varies)

Jako partner Amazon zarabiamy na kwalifikujących się zakupach. Linki do chmurowych GPU są linkami polecającymi — możemy otrzymać prowizję bez dodatkowych kosztów dla Ciebie.

Ujawnienie afiliacyjne: Niektóre odnośniki na tej stronie to linki afiliacyjne — jeśli dokonasz zakupu za ich pośrednictwem, LLM Configurator może otrzymać prowizję bez dodatkowych kosztów dla Ciebie. Jako uczestnik programu Amazon Associates, LLM Configurator zarabia na kwalifikujących się zakupach.

NVIDIA DGX Spark (128GB)

128 GB VRAM · 150 W board power

Ceny w 2026 są niestabilne — sprawdź aktualną ofertę.

Sprawdź cenę na Amazon

Jak uruchomić Devstral-2 123B

Zainstaluj Ollama, a potem uruchom:

$ollama run devstral:123b

Wagi na Hugging Face: mistralai/Devstral-2-123B-Instruct-2512 ↗

Specyfikacja

Preview — The model is released, but these specs are thin or rest on a single source. Individual fields may be wrong.

Parametry: 123 Billion (dense)
Okno kontekstu: 262,144
Architektura: Dense Transformer
Dostawca: Mistral AI
Licencja: Apache 2.0
Practical deployment: Workstation (large unified memory or pro GPU)
Określono przy: Q4_K_M
RAM systemowy: 128 GB
Rekord zaktualizowany: 2026-04-05

LicencjaApache-2.0Użycie komercyjne dozwolone

Commercial use permitted. No usage restrictions beyond attribution.

Jakość i zastosowania

Wyniki opublikowane przez autorów modelu lub niezależnego oceniającego — jakość, nie przepustowość, i nie mierzone przez nas.

Najlepszy dosoftware engineeringagentic codingrepo leveltest driven dev

Benchmark	Wynik	Źródło
SWE-bench Verified	71.6 / 100 %	opublikowane
HumanEval	91.2 / 100 %	opublikowane
LiveCodeBench v6	67.8 / 100 %	opublikowane

Czy uruchomię Devstral-2 123B na moim GPU?

Inne rozmiary Devstral

Devstral-2 123B — najczęściej zadawane pytania

How much VRAM does Devstral-2 123B need?

About 75 GB at Q4_K_M — quantized weights plus framework overhead, before any KV cache. The cache grows with context length and is added on top; the table above folds it in. Apple Silicon counts unified memory toward the same figure.

Does Devstral-2 123B run on an RTX 4090 (24 GB)?

No. Devstral-2 123B needs about 75 GB at Q4_K_M, more than a single RTX 4090's 24 GB. It needs a larger card, several GPUs, or Apple Silicon with enough unified memory — or it runs with part of the weights offloaded to system RAM, which is much slower.

How do I run Devstral-2 123B locally?

Install Ollama and run `ollama run devstral:123b`. That pulls the weights and starts a local OpenAI-compatible endpoint; after the download nothing leaves the machine.

What other sizes does Devstral come in?

Devstral-2 123B (75 GB), Devstral 2 22B (14 GB), Devstral Small 2505 24B (15 GB), Devstral Small 2 24B (15 GB). Every size shares the family's training and licence; the larger ones score higher and need proportionally more memory.