I pesi sono aperti e posso eseguire Devstral 2 localmente?

Sì — i pesi sono disponibili su Hugging Face con licenza MIT modificata, quindi puoi scaricare e ospitare il modello, anche se 123 miliardi di parametri a precisione FP8 richiedono molta memoria GPU.

Quanto costa Devstral 2 tramite API e qual è il limite di contesto?

Mistral chiede 0,40$ per milione di token in input e 2,00$ per milione di token in output, con una finestra di contesto da 256K (262.144 token).

Come si confronta Devstral 2 con Devstral Small 2?

Devstral 2 a 123B ottiene 72,2% su SWE-bench Verified contro il 68,0% del 24B Devstral Small 2; il modello più grande guida anche nei compiti multilingue SWE e TerminalBench 2, a costo di hardware e spesa API maggiori.

Devstral 2 2512

2123°

#llm #mistralai #programmazione #agenti #contesto lungo #locale

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

Mistral | contesto di 262.144 token | $0.40/M input, $2.00/M output. Devstral 2 è un modello open-source all'avanguardia di Mistral AI specializzato in coding agentico. È un modello transformer denso da 123 miliardi di parametri che supporta una finestra di contesto da 256K token. Devstral 2 supporta l'esplorazione di codebase e l'orchestrazione di modifiche su più file mantenendo il contesto a livello architetturale. Tiene traccia delle dipendenze dei framework, rileva errori e riprova con correzioni—risolvendo sfide come il bug fixing e la modernizzazione di sistemi legacy. Il modello può essere fine-tuned per dare priorità a specifici linguaggi o ottimizzare codebase aziendali di grandi dimensioni. È disponibile sotto licenza MIT modificata.

Guide per questo modello

Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro

Quanta VRAM serve davvero per l'AI locale?

Pesi aperti vs open source vs solo API: cosa puoi davvero fare

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

Devstral 2 è il modello a pesi aperti da 123 miliardi di parametri di Mistral AI, costruito specificamente per l'ingegneria software agentica. Naviga grandi basi di codice, modifica più file simultaneamente e traccia le dipendenze dei framework — tutto entro una finestra di contesto da 256K token. Se stai costruendo o gestendo un agente AI per la codifica piuttosto che chiedere solo snippet, questo è il modello da scegliere per primo tra le opzioni a pesi aperti.

Conosciuto per

Lavoro agentico su basi di codice: esplora, modifica e orchestra cambiamenti su più file.
72,2% su SWE-bench Verified — competitivo con modelli con molte volte più parametri.
61,3% su SWE-bench Multilingual, il punteggio multilingue più alto tra i pari a pesi aperti elencati.
Finestra di contesto da 256K che mantiene una comprensione a livello architetturale di grandi basi di codice.
Funziona con Cline, OpenHands, SWE-Agent, Claude Code e il proprio Vibe CLI di Mistral.

Attenzione a

Con 123 miliardi di parametri, l'hosting autonomo richiede hardware serio; controlla la VRAM prima di scaricarlo.
Licenza MIT modificata — non è una MIT standard; leggi i termini prima di usi commerciali o derivati.
Modelli frontier chiusi (GPT 5.1 Codex Max, Gemini 3 Pro, Claude Sonnet 4.5) lo superano ancora su SWE-bench.

Ideale per

Programmazione

Agenti e uso di strumenti

Contesto lungo

Funziona localmente

Prompt da provare

Piano di refactoring multi-file

Ho un monolite Python Flask dove la logica di autenticazione è sparsa tra app.py, routes/user.py e utils/helpers.py. Analizza le dipendenze tra questi file, identifica ogni punto in cui lo stato di autenticazione viene letto o scritto e produci un piano passo-passo per estrarlo in un modulo di autenticazione autonomo senza rompere il comportamento esistente.

Audit di modernizzazione legacy

Ecco un codice Node.js 12 che usa callback ovunque e dipende da diversi pacchetti npm deprecati. Elenca ogni pattern che deve cambiare per raggiungere la compatibilità con Node.js 20, raggruppali per livello di rischio e suggerisci l'ordine in cui affrontarli in modo che ogni cambiamento sia testabile indipendentemente.

Caccia al bug con logica di retry

Un'API Django REST restituisce un errore 500 in modo intermittente quando due utenti aggiornano lo stesso oggetto a pochi millisecondi di distanza. Spiega le probabili condizioni di race in un setup tipico Django ORM, scrivi un test che riproduca affidabilmente il problema, poi proponi e implementa una soluzione usando il locking a livello di database.

Confronta con

Mistral Large 4
Modello solo API
Contesto di 1,048,576 token · Input $0.68/M, output $2.09/M
Mistral Medium 3.5
Modello solo API
Contesto di 262,144 token · Input $1.50/M, output $7.50/M
Mistral Large 2407
Modello solo API
Contesto di 131,072 token · Input $2.00/M, output $6.00/M
Mistral Nemo
Modello con pesi aperti
Contesto di 131,072 token · Input $0.03/M, output $0.03/M

Altri modelli di testo da mistralai

Domande frequenti

I pesi sono aperti e posso eseguire Devstral 2 localmente?: Sì — i pesi sono disponibili su Hugging Face con licenza MIT modificata, quindi puoi scaricare e ospitare il modello, anche se 123 miliardi di parametri a precisione FP8 richiedono molta memoria GPU.
Quanto costa Devstral 2 tramite API e qual è il limite di contesto?: Mistral chiede 0,40$ per milione di token in input e 2,00$ per milione di token in output, con una finestra di contesto da 256K (262.144 token).
Come si confronta Devstral 2 con Devstral Small 2?: Devstral 2 a 123B ottiene 72,2% su SWE-bench Verified contro il 68,0% del 24B Devstral Small 2; il modello più grande guida anche nei compiti multilingue SWE e TerminalBench 2, a costo di hardware e spesa API maggiori.

Verdetto del capitano
L'agente di codifica a pesi aperti più potente disponibile a questa scala — se puoi fornirgli abbastanza VRAM.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

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

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Modelli simili

Modelli di IA per generare immagini, video e testo

Devstral 2 2512 è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm mistralai programmazione agenti contesto lungo locale

Sfoglia per famiglia di modelli