Kan ik Mixtral 8x22B Instruct lokaal draaien?

Ja, de gewichten zijn open en gehost op mistralai/Mixtral-8x22B-Instruct-v0.1 op Hugging Face. Houd er rekening mee dat het volledige model 141 miljard parameters heeft, dus quantisatie is vrijwel noodzakelijk om het op consument- of prosumerhardware te draaien.

Wat kost het en hoe lang is de context?

Via API kost het model $2,00 per miljoen inputtokens en $6,00 per miljoen outputtokens, met een contextvenster van 65.536 tokens.

Hoe verschilt de 8x22B van Mixtral 8x7B?

De 8x22B schaalt zowel het aantal experts als hun grootte op, en activeert 39 miljard parameters per voorwaartse stap versus ongeveer 12 miljard in de 8x7B, wat resulteert in sterkere prestaties tegen hogere VRAM- en iets hogere API-kosten.

Mixtral 8x22B Instruct

4658°

#llm #mistralai #coderen #agenten #lokaal #chat

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Mistral | 65.536 token context | $2.00/M input, $6.00/M output. Mistral's officiële instructie-getunede versie van Mixtral 8x22B. Het gebruikt 39 miljard actieve parameters uit 141 miljard, en biedt ongeëvenaarde kostenefficiëntie voor zijn grootte. Sterktes zijn onder andere: Zie benchmarks in de lanceringsaankondiging hierOpens in new tab. #moe

Gidsen voor dit model

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Mixtral 8x22B Instruct is Mistral's instructie-getunede sparse mixture-of-experts model, dat bij inferentie 39 miljard parameters activeert van in totaal 141 miljard. De MoE-architectuur betekent dat je prestaties krijgt die dichter bij een groot dense model liggen tegen een fractie van de rekencapaciteit. Het is geschikt voor ontwikkelaars die sterke algemene prestaties nodig hebben en open gewichten willen die ze zelf kunnen hosten of via API kunnen gebruiken.

Bekend om

Sparse MoE ontwerp: 39 miljard actieve parameters van 141 miljard totaal houdt inferentie-kosten laag.
Open gewichten beschikbaar op Hugging Face voor zelf-hosting.
Native functie-aanroepondersteuning ingebouwd in de tokenizer.
Compatibel met zowel mistral_inference als Hugging Face transformers pipelines.

Let op

141 miljard totale parameters betekent serieuze VRAM-eisen voor lokale inferentie; quantisatie is bijna verplicht.
Mistral raadt de mistral_common tokenizer aan voor exacte resultaten; de HF-tokenizer kan iets afwijken.
Met $6,00 per miljoen outputtokens via API kunnen de kosten snel oplopen bij lange generatieve taken.

Het beste voor

Coderen

Agenten en toolgebruik

Draait lokaal

Chat en assistenten

Prompts om te proberen

Meervoudige functieplan

Je hebt twee tools: search_web(query) en send_email(to, subject, body). Een gebruiker vraagt: 'Vind de huidige prijs van koperfutures en mail een samenvatting naar procurement@example.com.' Schrijf de exacte reeks tool-aanroepen die je zou maken, met argumenten, en leg je redenering tussen elke stap uit.

Refactor voor leesbaarheid

Refactor de volgende Python-functie zodat deze makkelijker te lezen en te onderhouden is. Voeg type hints toe, hernoem onduidelijke variabelen, en splits de functie als die meer dan één taak doet. Leg elke wijziging uit en waarom. 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

Gestructureerde data-extractie

Extraheer elke bedrijfsnaam, oprichtingsjaar en hoofdkantoorstad uit de onderstaande tekst. Geef het resultaat terug als een JSON-array waarbij elk object de sleutels 'company', 'founded' en 'city' heeft. Als een veld niet genoemd wordt, gebruik dan null. 'Stripe werd opgericht in 2010 en is gevestigd in San Francisco. Revolut, met hoofdkantoor in Londen, werd gelanceerd in 2015. Adyen opereert sinds 2006 vanuit Amsterdam.'

Vergelijk met

Mistral Large 4
Alleen API-model
1,048,576 token context · $0.68/M invoer, $2.09/M uitvoer
Mistral Large
Alleen API-model
128,000 token context · $2.00/M invoer, $6.00/M uitvoer
Mistral Medium 3.5
Alleen API-model
262,144 token context · $1.50/M invoer, $7.50/M uitvoer
Mistral Medium 3
Alleen API-model
131,072 token context · $0.40/M invoer, $2.00/M uitvoer

Meer tekstmodellen van mistralai

Veelgestelde vragen

Kan ik Mixtral 8x22B Instruct lokaal draaien?: Ja, de gewichten zijn open en gehost op mistralai/Mixtral-8x22B-Instruct-v0.1 op Hugging Face. Houd er rekening mee dat het volledige model 141 miljard parameters heeft, dus quantisatie is vrijwel noodzakelijk om het op consument- of prosumerhardware te draaien.
Wat kost het en hoe lang is de context?: Via API kost het model $2,00 per miljoen inputtokens en $6,00 per miljoen outputtokens, met een contextvenster van 65.536 tokens.
Hoe verschilt de 8x22B van Mixtral 8x7B?: De 8x22B schaalt zowel het aantal experts als hun grootte op, en activeert 39 miljard parameters per voorwaartse stap versus ongeveer 12 miljard in de 8x7B, wat resulteert in sterkere prestaties tegen hogere VRAM- en iets hogere API-kosten.

Oordeel van de kapitein
Een capabele open-gewichten werkpaard met een slimme kosten-per-token aanpak, hoewel lokale implementatie serieuze hardwareplanning vereist.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

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.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

AI-modellen voor het genereren van afbeeldingen, video en tekst

Mixtral 8x22B Instruct is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm mistralai coderen agenten lokaal chat

Bladeren op modelfamilie