Mistral и Mixtral

Запустите модели Mistral и Mixtral на GPU Clore.ai

Доступны более новые версии! Посмотрите Mistral Small 3.1 (24B, Apache 2.0, помещается на RTX 4090) и Mistral Large 3 (675B MoE, класс передовой модели).

Запускайте модели Mistral и Mixtral для высококачественной генерации текста.

Все примеры можно запускать на GPU-серверах, арендованных через маркетплейс CLORE.AI.

Аренда на CLORE.AI

1. Перейдите на маркетплейс CLORE.AI

2. Отфильтруйте по типу GPU, объёму VRAM и цене

3. Выберите On-Demand (фиксированная ставка) или Spot (цена ставки)

4. Настройте свой заказ:

   • Выберите Docker-образ

   • Установите порты (TCP для SSH, HTTP для веб-интерфейсов)

   • При необходимости добавьте переменные окружения

   • Введите команду запуска

5. Выберите способ оплаты: CLORE, BTC, или USDT/USDC

6. Создайте заказ и дождитесь развертывания

Получите доступ к своему серверу

• Найдите данные для подключения в Мои заказы

• Веб-интерфейсы: используйте URL HTTP-порта

• SSH: ssh -p <port> root@<proxy-address>

Обзор моделей

Модель	Параметры	VRAM	Специализация
Mistral-7B	7B	8 ГБ	Универсальное назначение
Mistral-7B-Instruct	7B	8 ГБ	Чат/инструкции
Mixtral-8x7B	46.7B (12.9B активных)	24 ГБ	MoE, лучшее качество
Mixtral-8x22B	141B	80GB+	Крупнейшая MoE

Быстрое развёртывание

Docker-образ:

pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime

Порты:

22/tcp
8000/http

Команда:

pip install vllm && \\
python -m vllm.entrypoints.openai.api_server \\
    --model mistralai/Mistral-7B-Instruct-v0.2 \
    --port 8000

Доступ к вашему сервису

После развертывания найдите свой http_pub URL в Мои заказы:

1. Перейдите на Мои заказы страницу

2. Нажмите на свой заказ

3. Найдите http_pub URL (например, abc123.clorecloud.net)

Используйте https://YOUR_HTTP_PUB_URL вместо localhost в примерах ниже.

Варианты установки

С помощью Ollama (самый простой способ)

# Установите Ollama
curl -fsSL https://ollama.com/install.sh | sh

# Запуск Mistral
ollama run mistral

# Запуск Mixtral
ollama run mixtral

С помощью vLLM

pip install vllm

# Запустить сервер
python -m vllm.entrypoints.openai.api_server \\
    --model mistralai/Mistral-7B-Instruct-v0.2 \
    --dtype float16

Использование Transformers

pip install transformers accelerate

Mistral-7B с Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "mistralai/Mistral-7B-Instruct-v0.2"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto"
)

messages = [
    {"role": "user", "content": "Объясните квантовые вычисления простыми словами"}
]

inputs = tokenizer.apply_chat_template(
    messages,
    return_tensors="pt"
).to("cuda")

outputs = model.generate(
    inputs,
    max_new_tokens=500,
    do_sample=True,
    temperature=0.7,
    top_p=0.95
)

response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)

Mixtral-8x7B

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "mistralai/Mixtral-8x7B-Instruct-v0.1"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto"
)

messages = [
    {"role": "user", "content": "Напишите функцию на Python для вычисления чисел Фибоначчи"}
]

inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to("cuda")

outputs = model.generate(
    inputs,
    max_new_tokens=1000,
    do_sample=True,
    temperature=0.7
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Квантованные модели (меньше VRAM)

4-битная квантизация

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
import torch

quantization_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.float16,
    bnb_4bit_quant_type="nf4"
)

model = AutoModelForCausalLM.from_pretrained(
    "mistralai/Mixtral-8x7B-Instruct-v0.1",
    quantization_config=quantization_config,
    device_map="auto"
)

GGUF с llama.cpp

# Скачать модель GGUF
wget https://huggingface.co/bartowski/Mistral-7B-Instruct-v0.3-GGUF/resolve/main/Mistral-7B-Instruct-v0.3-Q4_K_M.gguf

# Запуск с llama.cpp
./main -m Mistral-7B-Instruct-v0.3-Q4_K_M.gguf \
    -p "Объясните машинное обучение" \
    -n 500

Сервер vLLM (продакшен)

python -m vllm.entrypoints.openai.api_server \\
    --model mistralai/Mistral-7B-Instruct-v0.2 \
    --dtype float16 \\
    --max-model-len 8192 \
    --gpu-memory-utilization 0.9

API, совместимый с OpenAI

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="not-needed"
)

response = client.chat.completions.create(
    model="mistralai/Mistral-7B-Instruct-v0.2",
    messages=[
        {"role": "user", "content": "Какова столица Франции?"}
    ],
    temperature=0.7,
    max_tokens=500
)

print(response.choices[0].message.content)

Потоковая передача

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="x")

stream = client.chat.completions.create(
    model="mistralai/Mistral-7B-Instruct-v0.2",
    messages=[{"role": "user", "content": "Напишите историю о роботе"}],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

Вызов функций

Mistral поддерживает вызов функций:

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="x")

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Получить погоду для местоположения",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string"},
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
                },
                "required": ["location"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="mistralai/Mistral-7B-Instruct-v0.2",
    messages=[{"role": "user", "content": "Какая погода в Париже?"}],
    tools=tools
)

print(response.choices[0].message.tool_calls)

Интерфейс Gradio

import gradio as gr
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "mistralai/Mistral-7B-Instruct-v0.2"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto"
)

def chat(message, history, temperature, max_tokens):
    messages = []
    for h in history:
        messages.append({"role": "user", "content": h[0]})
        messages.append({"role": "assistant", "content": h[1]})
    messages.append({"role": "user", "content": message})

    inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to("cuda")

    outputs = model.generate(
        inputs,
        max_new_tokens=max_tokens,
        temperature=temperature,
        do_sample=True
    )

    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
    # Извлечь ответ ассистента
    return response.split("[/INST]")[-1].strip()

demo = gr.ChatInterface(
    fn=chat,
    additional_inputs=[
        gr.Slider(0.1, 2.0, value=0.7, label="Температура"),
        gr.Slider(100, 2000, value=500, step=100, label="Макс. токены")
    ],
    title="Чат Mistral-7B"
)

demo.launch(server_name="0.0.0.0", server_port=7860)

Сравнение производительности

Пропускная способность (токенов/с)

Модель	RTX 3060	RTX 3090	RTX 4090	A100 40 ГБ
Mistral-7B FP16	45	80	120	150
Mistral-7B Q4	70	110	160	200
Mixtral-8x7B FP16	-	-	30	60
Mixtral-8x7B Q4	-	25	50	80
Mixtral-8x22B Q4	-	-	-	25

Время до первого токена (TTFT)

Модель	RTX 3090	RTX 4090	A100
Mistral-7B	80 мс	50 мс	35 мс
Mixtral-8x7B	-	150 мс	90 мс
Mixtral-8x22B	-	-	200 мс

Длина контекста vs VRAM (Mistral-7B)

Контекст	FP16	Q8	Q4
4K	15 ГБ	9 ГБ	5 ГБ
8K	18 ГБ	11 ГБ	7 ГБ
16K	24 ГБ	15 ГБ	9 ГБ
32K	36 ГБ	22 ГБ	14 ГБ

Требования к VRAM

Модель	FP16	8-bit	4-bit
Mistral-7B	14 ГБ	8 ГБ	5 ГБ
Mixtral-8x7B	90 ГБ	45 ГБ	24 ГБ
Mixtral-8x22B	180 ГБ	90 ГБ	48 ГБ

Сценарии использования

Генерация кода

prompt = """
Напишите класс Python для клиента REST API со следующими возможностями:
- Обработка аутентификации
- Логика повторных попыток
- Обработка ошибок
"""

Анализ данных

prompt = """
Проанализируйте эти данные и предоставьте выводы:
Продажи за 1-й квартал: $100K
Продажи за 2-й квартал: $150K
Продажи за 3-й квартал: $120K
Продажи за 4-й квартал: $200K
"""

Творческое письмо

prompt = """
Напишите короткий рассказ об ИИ, который обретает самосознание,
в стиле Айзека Азимова.
"""

Устранение неполадок

Недостаточно памяти

• Используйте 4-битную квантизацию

• Используйте Mistral-7B вместо Mixtral

• Уменьшите max_model_len

Медленная генерация

• Используйте vLLM для продакшена

• Включите flash attention

• Используйте тензорный параллелизм для нескольких GPU

Низкое качество вывода

• Настройте temperature (0.1-0.9)

• Используйте instruct-версию

• Лучшие системные промпты

Оценка стоимости

Типичные цены на маркетплейсе CLORE.AI (по состоянию на 2024 год):

GPU	Почасовая ставка	Дневная ставка	4-часовая сессия
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40 ГБ	~$0.17	~$4.00	~$0.70
A100 80 ГБ	~$0.25	~$6.00	~$1.00

Цены зависят от провайдера и спроса. Проверьте маркетплейс CLORE.AI актуальные тарифы.

Сэкономьте деньги:

• Используйте Spot рынок для прерываемых задач — примерно треть серверов оценивает spot-цены ниже on-demand (медиана ~13% скидки), остальные совпадают с ними

• Платите CLORE токенами

• Сравните цены у разных провайдеров

Дальнейшие шаги

• vLLM - Развертывание в продакшене

• компонент - Простое развертывание

• DeepSeek-V3 - Лучшая модель для рассуждений

• Qwen2.5 - Многоязычная альтернатива