01Ce qu'il sait faire
Points forts
- Qualité proche Llama 70B
- Latence faible
- 128k contexte
- Excellent en agents et tool use
Limites à connaître
- —Exige 16 GB de VRAM mini en Q4
- —Moins bon en code que Qwen Coder
Architecture
Transformer dense · 40 couches · GQA + sliding window
Entraînement
Corpus multilingue enrichi, fort focus FR + anglais scientifique.
Idéal pour
Chat avancéRédactionAgents
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
14 Go
Q5_K_M
Bon compromis qualité/taille
17 Go
Q8_0
Quasi-indistinguable de FP16
26 Go
FP16
Pleine précision — usage serveur
48 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 24 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Benchmarks publics
Scores reproduits depuis les model cards ou MMLU-Pro / communautaires. Unité : % bonnes réponses.
MMLU
81
GPQA
42.2
HumanEval
84.8
05Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$ollama run mistral-small:24b
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.