Mistral Small 3.1

Разверните Mistral Small 3.1 (24B) на Clore.ai — идеальная модель для одной GPU в продакшене

Mistral Small 3.1, выпущенная в марте 2025 года компанией Mistral AI, это плотная модель с 24 миллиардами параметров которая дает намного больше, чем можно ожидать от её размера. С контекстным окном 128K, встроенными возможностями зрения, лучшим в классе вызовом функций и Лицензия Apache 2.0, это, пожалуй, лучшая модель, которую можно запустить на одной RTX 4090. Она превосходит GPT-4o Mini и Claude 3.5 Haiku в большинстве бенчмарков и при этом удобно умещается на потребительском оборудовании при квантизации.

Ключевые особенности

• 24B плотных параметров — без сложности MoE, простое развертывание

• Окно контекста 128K — RULER 128K результат 81.2%, обгоняет GPT-4o Mini (65.8%)

• Встроенное зрение — анализ изображений, диаграмм, документов и скриншотов

• Лицензия Apache 2.0 — полностью открыта для коммерческого и личного использования

• Элитный вызов функций — нативное использование инструментов с выводом в JSON, идеально для агентных рабочих процессов

• Мультиязычность — более 25 языков, включая CJK, арабский, хинди и европейские языки

Требования

Компонент	Квантизировано (Q4)	Полная точность (BF16)
GPU	1× RTX 4090 24GB	2× RTX 4090 или 1× H100
VRAM	~16GB	~55GB
ОЗУ	32GB	64GB
Диск	20GB	50GB
CUDA	11.8+	12.0+

Рекомендация Clore.ai: RTX 4090 (~$0.5–2/день) для квантизированного вывода — лучшее соотношение цены и производительности

Быстрый старт с Ollama

Самый быстрый способ запустить Mistral Small 3.1:

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

# Запустить Mistral Small 3.1 (автозагрузка ~14GB Q4 квантизации)
ollama run mistral-small3.1

# Или указать конкретную квантизацию
ollama run mistral-small3.1:24b-instruct-2503-q4_K_M

Ollama как API, совместимый с OpenAI

# Запустить сервер Ollama
ollama serve &

# Загрузить модель
ollama pull mistral-small3.1

# Запрос через API
curl http://localhost:11434/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-small3.1",
    "messages": [
      {"role": "system", "content": "Вы — полезный помощник по программированию."},
      {"role": "user", "content": "Напишите декоратор Python для ограничения частоты запросов"}
    ],
    "temperature": 0.15
  }'

Ollama с поддержкой зрения

# Отправьте изображение для анализа
curl http://localhost:11434/api/chat -d '{
  "model": "mistral-small3.1",
  "messages": [{
    "role": "user",
    "content": "Что показывает это изображение?",
    "images": ["/path/to/image.jpg"]
  }]
}'

Настройка vLLM (Production)

Для рабочих нагрузок в продакшене с высокой пропускной способностью и параллельными запросами:

# Установите vLLM (требуется v0.8.1+)
pip install -U vllm

# Убедитесь, что mistral_common установлен (должно устанавливаться автоматически)
python -c "import mistral_common; print(mistral_common.__version__)"

Сервис на одной GPU (только текст)

vllm serve mistralai/Mistral-Small-3.1-24B-Instruct-2503 \
  --tokenizer-mode mistral \
  --config-format mistral \
  --load-format mistral \
  --tool-call-parser mistral \
  --enable-auto-tool-choice \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.90

Сервер с поддержкой зрения (рекомендуются 2 GPU)

vllm serve mistralai/Mistral-Small-3.1-24B-Instruct-2503 \
  --tokenizer-mode mistral \
  --config-format mistral \
  --load-format mistral \
  --tool-call-parser mistral \
  --enable-auto-tool-choice \
  --limit-mm-per-prompt 'image=10' \
  --tensor-parallel-size 2 \
  --max-model-len 65536

Запрос к серверу

from openai import OpenAI

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

response = client.chat.completions.create(
    model="mistralai/Mistral-Small-3.1-24B-Instruct-2503",
    messages=[
        {"role": "system", "content": "Вы — полезный помощник. Сегодня 2026-02-20."},
        {"role": "user", "content": "Напишите полный REST API на FastAPI с операциями CRUD для блога"}
    ],
    temperature=0.15,
    max_tokens=4096
)
print(response.choices[0].message.content)

HuggingFace Transformers

Для прямой интеграции с Python и экспериментов:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "mistralai/Mistral-Small-3.1-24B-Instruct-2503"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    load_in_4bit=True  # 4-битная квантизация — помещается на GPU с 24GB
)

messages = [
    {"role": "system", "content": "Вы — полезный помощник по программированию."},
    {"role": "user", "content": "Реализуйте двоичное дерево поиска на Python с методами вставки, удаления и поиска"}
]

input_ids = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)

output = model.generate(
    input_ids,
    max_new_tokens=2048,
    temperature=0.15,
    do_sample=True
)
print(tokenizer.decode(output[0][input_ids.shape[-1]:], skip_special_tokens=True))

Пример вызова функций

Mistral Small 3.1 — одна из лучших небольших моделей для использования инструментов:

import json
from openai import OpenAI

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

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_stock_price",
            "description": "Получить текущую цену акции по заданному тикеру",
            "parameters": {
                "type": "object",
                "required": ["ticker"],
                "properties": {
                    "ticker": {"type": "string", "description": "Тикер акции (например, AAPL)"}
                }
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "calculate_portfolio_value",
            "description": "Вычислить общую стоимость портфеля по заданным позициям",
            "parameters": {
                "type": "object",
                "required": ["holdings"],
                "properties": {
                    "holdings": {
                        "type": "array",
                        "items": {
                            "type": "object",
                            "properties": {
                                "ticker": {"type": "string"},
                                "shares": {"type": "number"}
                            }
                        }
                    }
                }
            }
        }
    }
]

response = client.chat.completions.create(
    model="mistralai/Mistral-Small-3.1-24B-Instruct-2503",
    messages=[{"role": "user", "content": "Какая сейчас цена AAPL и MSFT?"}],
    tools=tools,
    tool_choice="auto",
    temperature=0.15
)

for tool_call in response.choices[0].message.tool_calls:
    print(f"Call: {tool_call.function.name}({tool_call.function.arguments})")

Быстрый старт с Docker

# Развертывание на одной GPU
docker run --gpus all -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  vllm/vllm-openai:latest \
  --model mistralai/Mistral-Small-3.1-24B-Instruct-2503 \
  --tokenizer-mode mistral \
  --config-format mistral \
  --load-format mistral \
  --tool-call-parser mistral \
  --enable-auto-tool-choice \
  --max-model-len 32768

# С поддержкой зрения (2 GPU)
docker run --gpus all -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  vllm/vllm-openai:latest \
  --model mistralai/Mistral-Small-3.1-24B-Instruct-2503 \
  --tokenizer-mode mistral \
  --config-format mistral \
  --load-format mistral \
  --tool-call-parser mistral \
  --enable-auto-tool-choice \
  --limit-mm-per-prompt 'image=10' \
  --tensor-parallel-size 2

Советы для пользователей Clore.ai

• RTX 4090 — оптимальный выбор: При цене $0.5–2/день одна RTX 4090 запускает Mistral Small 3.1 в квантизированном виде с запасом. Лучшее соотношение цена/производительность на Clore.ai для универсальной LLM.

• Используйте низкую температуру: Mistral AI рекомендует temperature=0.15 для большинства задач. Более высокие значения температуры приводят к непоследовательному выводу с этой моделью.

• RTX 3090 тоже подходит: При цене $0.3–1/день RTX 3090 (24GB) нормально запускает Q4 квантизированную модель с Ollama. Немного медленнее, чем 4090, но вдвое дешевле.

• Ollama для быстрых настроек, vLLM для продакшена: Ollama дает работающую модель за 60 секунд. Для параллельных API-запросов и большей пропускной способности переключайтесь на vLLM.

• Вызов функций делает её особенной: Многие 24B модели умеют разговаривать — немногие надежно вызывают инструменты. Вызов функций у Mistral Small 3.1 сопоставим с GPT-4o Mini. Создавайте агентов, бэкенды API и конвейеры автоматизации с уверенностью.

Устранение неполадок

Проблема	Решение
OutOfMemoryError на RTX 4090	Используйте квантизированную модель через Ollama или load_in_4bit=True в Transformers. Полный BF16 требует ~55GB.
Модель Ollama не найдена	Используйте ollama run mistral-small3.1 (официальное название библиотеки).
Ошибки токенизатора vLLM	Всегда передавайте --tokenizer-mode mistral --config-format mistral --load-format mistral.
Плохое качество вывода	Установите temperature=0.15. Добавьте системный промпт. Mistral Small чувствительна к температуре.
Зрение не работает на 1 GPU	Функции зрения требуют больше VRAM. Используйте --tensor-parallel-size 2 или уменьшите --max-model-len.
Вызовы функций возвращают пустое	Добавьте --tool-call-parser mistral --enable-auto-tool-choice для vLLM serve.

Дополнительное чтение

• Mistral Small 3.1 на HuggingFace

• Блог-пост Mistral AI

• Страница модели Ollama

• Документация vLLM

• Библиотека Mistral Common

• Платформа Mistral AI