Mixtral 8x22B Instruct
4658°
Mistral | 65,536 token context | $2.00/M input, $6.00/M output. Mixtral 8x22B 的官方指令微调版本，由 Mistral 发布。使用 1410 亿参数中活跃的 390 亿参数，提供无与伦比的成本效率。其优势包括：详见发布公告中的基准测试Opens in new tab。#moe
本模型的指南
全部指南
船长笔记
2026-10-13 的笔记
Mixtral 8x22B Instruct 是 Mistral 的指令调优稀疏专家混合模型，推理时激活 390 亿参数（总计 1410 亿参数）。MoE 架构让你以较低计算成本获得接近大型密集模型的能力。适合需要强大通用性能且希望使用开源权重自托管或通过 API 运行的开发者。
以……著称
- 稀疏 MoE 设计：从 1410 亿总参数中激活 390 亿，降低推理成本。
- 开源权重可在 Hugging Face 上自托管。
- 内置原生函数调用支持，集成于分词器。
- 兼容 mistral_inference 和 Hugging Face transformers 流水线。
注意
- 1410 亿总参数对本地推理显存要求极高，量化几乎必需。
- Mistral 推荐使用 mistral_common 分词器以获得准确结果，HF 分词器可能略有差异。
- API 输出令牌每百万 6 美元，长文本生成成本迅速攀升。
推荐尝试的提示词
多步函数调用计划
你有两个工具：search_web(query) 和 send_email(to, subject, body)。用户请求：“查找当前铜期货价格并将摘要发邮件给 procurement@example.com。”请写出你调用工具的准确顺序及参数，并解释每步推理。
为可读性重构
请重构以下 Python 函数，使其更易读易维护。添加类型提示，重命名不清晰变量，若函数职责多则拆分。解释你做的每个修改及原因。
def proc(d, x):
r = []
for i in d:
if i['v'] > x:
r.append({'id': i['id'], 'val': i['v'] * 1.1})
return r
结构化数据提取
从以下文本中提取所有公司名、成立年份和总部城市。结果以 JSON 数组返回，每个对象包含 'company'、'founded' 和 'city' 键。若字段未提及，填 null。
'Stripe was founded in 2010 and is based in San Francisco. Revolut, headquartered in London, launched in 2015. Adyen has operated from Amsterdam since 2006.'
与……比较
- Mistral Large 4仅限API模型1,048,576 令牌上下文 · $0.68/M 输入，$2.09/M 输出
- Mistral Large仅限API模型128,000 令牌上下文 · $2.00/M 输入，$6.00/M 输出
- Mistral Medium 3.5仅限API模型262,144 令牌上下文 · $1.50/M 输入，$7.50/M 输出
- Mistral Medium 3仅限API模型131,072 令牌上下文 · $0.40/M 输入，$2.00/M 输出
来自 mistralai 的更多文本模型
常见问题
- 我可以本地运行 Mixtral 8x22B Instruct 吗？
- 可以，权重开源并托管于 Hugging Face 的 mistralai/Mixtral-8x22B-Instruct-v0.1。请注意模型总参数为 1410 亿，几乎肯定需要量化才能适配消费级或专业级硬件。
- 价格和上下文窗口是多少？
- API 价格为输入令牌每百万 2 美元，输出令牌每百万 6 美元，上下文窗口为 65,536 令牌。
- 8x22B 与 Mixtral 8x7B 有何区别？
- 8x22B 在专家数量和规模上均有提升，推理时激活 390 亿参数，远高于 8x7B 的约 120 亿，性能更强，但显存需求和 API 价格也相应更高。
船长评语一款性能强劲的开源权重主力模型，具备巧妙的成本控制，但本地部署需认真规划硬件。
Hugging Face 上的模型卡
船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
这个评分是怎么计算的
这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。
术语表：这里用到的术语
- 热度得分
- 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
- 基准线
- 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
- 下载等价量
- 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
- 对数刻度
- 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
- 点赞
- 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
- 采用率
- 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
- 测量与估算
- 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
- 做种者
- 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
- AI Horde
- 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
- 生成网站
- 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
- OpenRouter 令牌
- 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
- 完整模型（检查点）
- 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
- LoRA和嵌入
- 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
- 家族与权重
- 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
- 年龄
- 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
- 家族加成
- 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
- 替代分数
- 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
- 新模型！（宽限期）
- 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
- 趋势
- 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
- 典型模型
- 目录的中间值：一半有数据的模型增长比它快，一半比它慢。
Mixtral 8x22B Instruct 是 Text / LLM 系列的一个文本模型，收录于 ModelTrends.ai——一个只读的开源 AI 图像、视频和文本模型目录。你可以将它与其他 Text / LLM 模型比较，并查看热度分数了解趋势。
按模型系列浏览
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153