Сервер для Mixtral 8x22B

Mixtral 8x22B — модель Mistral с архитектурой Mixture-of-Experts: в памяти держатся все 141 млрд параметров, а на каждый токен включаются примерно 39 млрд. Памяти нужно как под крупную модель, зато генерация быстрее, чем у плотной модели того же объёма, — поэтому главный параметр сервера для неё объём памяти, а не число GPU. На выделенном сервере с достаточным объёмом памяти такая модель работает внутри вашей инфраструктуры: запросы и данные компании её не покидают.

В типовой конфигурации — квантование int4, контекст 32K токенов — нужно около 91,6 ГБ: веса 70,5 ГБ, KV-кэш 10,6 ГБ, служебный запас 10,6 ГБ. Это укладывается в один NVIDIA DGX Spark 128 ГБ: под модель там около 108 ГБ, занято примерно 85 %. Остаток уходит на длинный контекст и параллельные запросы пользователей; модель запускается через vLLM, llama.cpp или Ollama с OpenAI-совместимым API, а скорость на своей задаче можно проверить за сутки аренды, не покупая оборудование.