Mixtral 8x22B Instructはローカルで実行できますか？

Mistral | 65,536トークンコンテキスト | 入力$2.00/M、出力$6.00/M。Mistralの公式インストラクションファインチューニング版Mixtral 8x22Bです。141B中39Bのアクティブパラメータを使用し、そのサイズに対して比類なきコスト効率を提供します。強みは以下の通りです：詳細はローンチ発表のベンチマークをご覧くださいOpens in new tab。#moe

このモデルのガイド

ローカルAIに実際どれくらいのVRAMが必要？

GGUFファイルとは？量子化モデルの解説（Q4、Q8、fp8、NF4）

すべてのガイド

キャプテンのメモ

Captainによる、ハウスエディター執筆

2026-10-13のメモ

Mixtral 8x22B InstructはMistralの指示調整済みスパースMixture-of-Expertsモデルで、1410億パラメータ中39Bが推論時に活性化されます。MoEアーキテクチャにより、大型密モデルに近い性能を計算コストの一部で実現します。強力な汎用性能を求め、オープンウェイトで自己ホストやAPI利用したい開発者に適しています。

得意分野

スパースMoE設計：1410億パラメータ中39Bが活性化され推論コストを抑制
Hugging Faceでオープンウェイト公開、自己ホスト可能
トークナイザーにネイティブの関数呼び出しサポートを内蔵
mistral_inferenceとHugging Face transformersパイプライン両対応

注意点

1410億パラメータのためローカル推論には高いVRAMが必要。量子化はほぼ必須。
正確な結果にはmistral_commonトークナイザー推奨。HFトークナイザーは若干異なる可能性あり。
API利用時は出力100万トークンあたり6ドルと長い生成タスクでコスト増大。

最適な用途

試してみるプロンプト

多段階関数呼び出し計画

search_web(query)とsend_email(to, subject, body)という2つのツールがあります。ユーザーが「銅先物の現在価格を調べてprocurement@example.comに要約をメールしてほしい」と言いました。呼び出すツールの正確な順序と引数を書き、各ステップの理由を説明してください。

読みやすさのためのリファクタリング

以下のPython関数を読みやすく保守しやすい形にリファクタリングしてください。型ヒントを追加し、不明瞭な変数名を変更し、複数の処理をしている場合は分割してください。変更点と理由を説明してください。 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

構造化データ抽出

以下の文章から会社名、設立年、本社所在地をすべて抽出してください。結果はJSON配列で、各オブジェクトは'company'、'founded'、'city'キーを持ちます。該当情報がなければnullを使ってください。 '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.'

比較する

Mistral Large 4
API専用モデル
1,048,576トークンのコンテキスト · $0.68/M 入力、$2.09/M 出力
Mistral Large
API専用モデル
128,000トークンのコンテキスト · $2.00/M 入力、$6.00/M 出力
Mistral Medium 3.5
API専用モデル
262,144トークンのコンテキスト · $1.50/M 入力、$7.50/M 出力
Mistral Medium 3
API専用モデル
131,072トークンのコンテキスト · $0.40/M 入力、$2.00/M 出力

mistralaiの他のテキストモデル

よくある質問

Mixtral 8x22B Instructはローカルで実行できますか？: はい。重みはHugging Faceのmistralai/Mixtral-8x22B-Instruct-v0.1で公開されています。ただし1410億パラメータのため、消費者向けやプロシューマー向けハードウェアで動かすには量子化がほぼ必須です。
料金とコンテキストウィンドウは？: API利用時は入力100万トークンあたり2.00ドル、出力100万トークンあたり6.00ドル、65,536トークンのコンテキストウィンドウです。
8x22BはMixtral 8x7Bとどう違いますか？: 8x22Bはエキスパート数とサイズを拡大し、1回の推論で390億パラメータを活性化します。8x7Bの約120億に対し性能が向上しますが、VRAMとAPIコストがやや高くなります。

キャプテンの評価
トークンあたりのコスト効率に優れた有能なオープンウェイトモデルですが、ローカル展開には相応のハードウェア計画が必要です。

Hugging Faceのモデルカード

キャプテンはモデルの説明とモデルカードからこれらのメモを書いています。価格やコンテキストサイズは執筆時点の提供元のもので、変更されることがあります。

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

このスコアの計算方法

このモデルはまだどのソースからも人気データがないため、リストを完全に保つために7,000°未満の仮の数値が割り当てられています。データのあるモデルより上位には決してなりません。内訳はソースが報告次第ここに表示されます。

用語集：ここで使われている用語

ヒートスコア: モデルが今どれだけ使われていて求められているかを示す1つの数字。0°から9,999°まで。ここで「最も熱い」と言われるすべてのリストはこれで並べられています。
フロア: 実データのあるすべてのモデルが7,000°からスタートする基準点。スケールは0°から9,999°までで、フロア以下はデータのないモデル用に確保されているので、データのあるモデルは必ず上位になります。フロアは全員共通で順位には影響しません。フロアを超えた度数が実際の評価です。
ダウンロード相当数: スコアがダウンロードとして扱うすべてのものを合計：ダウンロードそのもの、各トレントシーダーは1,000、各AI Horde画像と生成サイトでの実行は1としてカウント。
対数スケール: 1ずつではなく10ずつ数えます：1,000から10,000ダウンロードに増えるのは、10,000から100,000に増えるのと同じ度数を加算。巨大なものが他を圧倒しないようにしています。
いいね: すべてのソースからのサムズアップといいね。対数スケールでダウンロードの半分の価値があります。
普及率: 2回の計測の差からわかる、今の1日あたりのダウンロード数。ダウンロード項目の4分の1の重みです。
測定済みと推定: 測定済みは、あるソースの2つの読み取り値が存在し、その差が実際のものであることを意味します。推定は、今日の合計だけがわかっていて、過去の値はモデルの寿命にわたって分配されていることを意味します。サイトはどちらを表示しているかを示します。
シーダー: トレント経由で他の人がダウンロードできるように重みのコピーをオンラインで保持している人、または同じことをするホストされたミラーのことです。それぞれが1,000ダウンロードとしてカウントされます。
AI Horde: 寄付されたコンピューターで無料で画像を生成するボランティアネットワークです。モデルで作成した画像の数は公開されており、それぞれが1ダウンロードとしてカウントされます。
生成サイト: PixAI、SeaArt、Yodayoのように、自分のモデルのコピーをホストして人々が生成できるサイトです。これらのダウンロードはCivitaiのものと同じようにカウントされ、各生成実行が1ダウンロードとして数えられます。
OpenRouterトークン: ClaudeやGPTのようなAPI経由で提供されるテキストモデルはダウンロードする重みがなく、その利用はトークン数で測定されます。トークンとはOpenRouterを通じて読み書きされたテキストの断片で、OpenRouterは多くのアプリが利用するゲートウェイです。過去30日間のトークン数を10,000,000トークンごとに1ダウンロードとしてカウントします。出典：OpenRouter (openrouter.ai/rankings)、CC BY 4.0。
完全モデル（チェックポイント）: 重みそのもので、単独で生成を行うファイルです。アドオンがこれに依存しているためボーナスがつきます。
LoRAと埋め込み: 他人の重みを特定のスタイル、キャラクター、コンセプトに向けて調整する小さなアドオンファイルです。単独では動作しません。
ファミリーと重み: モデルが基づいているベースで、SD 1.5、SDXL、Flux、Wanなどがあります。すべてのモデルはそのファミリーの重みのリリース日を継承します。
年齢: ファミリーの重みがリリースされてからの経過時間に応じて減点されます：1年で150°、最大750°まで。古いダウンロードはリストの上位を凍結して積み上げられます。
ファミリーブースト: このサイトが現在推しているファミリーのLoRAに対する小さく制限された後押しで、常に内訳に表示されます。
代替スコア: まだソースから報告がないモデルに与えられる安定した最低値で、リストが完全なままでいられます。データのあるモデルより上位には決してなりません。
新着！(猶予期間): 7日未満の新しいモデルはスコアの代わりに「新着！」と表示され、ランキングには入りません。スコアは初日から計算されますが、1日目のモデルは非常に急速に成長するため、猶予期間なしでは常に昨日リリースされたモデルが今週の#1になってしまいます。
トレンド: ある期間におけるモデルの成長が、同じ期間の典型的なモデルの成長と比べてどうかを示します。典型より速ければ上昇、遅ければ下降と読みます。
典型的なモデル: カタログの真ん中にあたるモデルで、数値があるモデルの半分はこの期間により速く成長し、半分は遅く成長しています。

類似モデル

画像・動画・テキスト生成のための AI モデル

Mixtral 8x22B Instruct は Text / LLM ファミリー向けのテキストモデルで、オープンソース AI 画像・動画・テキストモデルの読み取り専用カタログ ModelTrends.ai に掲載されています。他の Text / LLM モデルと比較し、ヒートスコアでトレンドを確認できます。

Text / LLM のモデルをもっと見る Text / LLM のテキスト / LLMをもっと見る llm mistralai コーディングエージェントローカルチャット

モデルファミリーから探す