Bolehkah saya jalankan Mistral Nemo secara tempatan?

Ya. Beratnya terbuka di bawah Apache 2.0 dan tersedia di mistralai/Mistral-Nemo-Instruct-2407 di Hugging Face. Mistral AI menyokong menjalankannya melalui mistral_inference, Hugging Face Transformers, atau NVIDIA NeMo.

Berapa kos Mistral Nemo melalui API, dan berapa had konteksnya?

Harga API adalah $0.03 setiap juta token untuk input dan output, dan tetingkap konteks adalah 128k token.

Bagaimana Mistral Nemo berbeza daripada Mistral 7B?

Nemo lebih besar pada 12B parameter, membawa tetingkap konteks 128k yang jauh lebih besar berbanding tetingkap lebih pendek 7B, menambah latihan pelbagai bahasa yang lebih luas, dan diposisikan oleh Mistral sebagai pengganti terus 7B dalam saluran sedia ada.

▲

0.3%

minggu ini

Mistral Nemo

8319°

#llm #mistralai #banyak bahasa #tempatan #bajet #ejen

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Mistral | konteks 131,072 token | $0.03/M input, $0.03/M output. Model 12B parameter dengan panjang konteks 128k token yang dibina oleh Mistral dengan kerjasama NVIDIA. Model ini pelbagai bahasa, menyokong Bahasa Inggeris, Perancis, Jerman, Sepanyol, Itali, Portugis, Cina, Jepun, Korea, Arab, dan Hindi. Ia menyokong panggilan fungsi dan dikeluarkan di bawah lesen Apache 2.0.

Panduan untuk model ini

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Ollama vs LM Studio (2026): aplikasi AI tempatan mana yang patut digunakan, dan model teratas yang dijalankan oleh setiap satu

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Cara Pasang Ollama dan Jalankan AI Tempatan (Windows, Mac, Linux)

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Mistral Nemo adalah model 12B parameter yang dibina bersama oleh Mistral AI dan NVIDIA, dengan tetingkap konteks 128k token dan liputan pelbagai bahasa sebenar merangkumi sebelas bahasa. Ia berada di tengah praktikal: cukup kecil untuk dijalankan secara tempatan pada perkakasan pengguna, cukup murah melalui API untuk digunakan dalam produksi tanpa risau meter, dan cukup berkemampuan untuk menggantikan Mistral 7B dalam kebanyakan saluran. Berat Apache 2.0 bermakna anda memiliki penyebaran.

Dikenali untuk

Lesen Apache 2.0: gunakan secara komersial, ubah suai, jalankan di mana-mana.
Tetingkap konteks 128k pada 12B parameter sangat murah hati untuk kelas saiz ini.
Sokongan sebelas bahasa dengan data latihan pelbagai bahasa khusus, bukan hanya penalaan halus bahasa Inggeris.
Panggilan fungsi terbina, menjadikannya praktikal untuk penggunaan alat dan saluran agen.
Direka sebagai peningkatan ganti terus dari Mistral 7B dengan corak integrasi sama.

Berhati-hati dengan

Skor MMLU pelbagai bahasa berkumpul dalam julat 50-an tinggi hingga 60-an rendah; kuat untuk saiznya, tetapi bukan tahap hadapan.
Pada 12B ia memerlukan kuantisasi untuk berjalan dengan selesa pada GPU di bawah 16 GB VRAM.

Terbaik untuk

Banyak bahasa

Jalankan secara tempatan

Bajet

Ejen dan penggunaan alat

Konteks panjang

Arahan untuk cuba

Ringkasan dokumen pelbagai bahasa

Perenggan berikut dalam bahasa Perancis. Ringkaskan dalam bahasa Inggeris dalam tiga titik peluru, kemudian terjemahkan peluru tersebut ke dalam bahasa Sepanyol dan Jepun. "La transition énergétique représente l'un des défis les plus complexes du XXIe siècle. Elle implique non seulement des changements technologiques profonds, mais aussi des transformations économiques et sociales majeures qui touchent l'ensemble des secteurs d'activité."

Reka bentuk skema panggilan fungsi

Reka skema fungsi JSON untuk alat bernama get_weather. Ia harus menerima nama bandar, kod negara pilihan, dan parameter unit yang menerima sama ada celsius atau fahrenheit dengan celsius sebagai lalai. Kembalikan skema dalam format yang dijangka oleh API panggilan fungsi, kemudian tunjukkan contoh panggilan untuk Tokyo dalam celsius.

Semakan kontrak konteks panjang

Anda sedang menyemak perjanjian lesen perisian. Kenal pasti mana-mana klausa yang mengehadkan sublesen, mengenakan hak audit ke atas pemberi lesen, atau memperbaharui kontrak secara automatik. Untuk setiap klausa yang ditemui, petik ayat berkaitan dan terangkan dalam bahasa mudah apa obligasi yang diwujudkan untuk pelesen. Jika tiada, nyatakan dengan jelas.

Bandingkan dengan

Mistral Large 2407
Model hanya API
konteks 131,072 token · Input $2.00/M, output $6.00/M
Mistral Large 4
Model hanya API
konteks 1,048,576 token · Input $0.68/M, output $2.09/M
Ministral 3 3B 2512
Model berat terbuka
konteks 131,072 token · Input $0.10/M, output $0.10/M
Voxtral Small 24B 2507
Model berat terbuka
konteks 32,768 token · Input $0.10/M, output $0.30/M

Lebih banyak model teks dari mistralai

Soalan yang sering ditanya

Bolehkah saya jalankan Mistral Nemo secara tempatan?: Ya. Beratnya terbuka di bawah Apache 2.0 dan tersedia di mistralai/Mistral-Nemo-Instruct-2407 di Hugging Face. Mistral AI menyokong menjalankannya melalui mistral_inference, Hugging Face Transformers, atau NVIDIA NeMo.
Berapa kos Mistral Nemo melalui API, dan berapa had konteksnya?: Harga API adalah $0.03 setiap juta token untuk input dan output, dan tetingkap konteks adalah 128k token.
Bagaimana Mistral Nemo berbeza daripada Mistral 7B?: Nemo lebih besar pada 12B parameter, membawa tetingkap konteks 128k yang jauh lebih besar berbanding tetingkap lebih pendek 7B, menambah latihan pelbagai bahasa yang lebih luas, dan diposisikan oleh Mistral sebagai pengganti terus 7B dalam saluran sedia ada.

Keputusan Kapten
Model kerja 12B yang masuk akal dan benar-benar terbuka: murah untuk dijalankan melalui API, percuma untuk disebarkan secara tempatan, dan salah satu pilihan pelbagai bahasa yang lebih jujur dalam kelas berat ini.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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

Also ranked: #63 Hottest Text / LLM model · #63 Hottest Text / LLM text model

Not this creator?

Get your own badge

Trend populariti Mistral Nemo

Skor panas, 12 bulan terakhir

Skor haba

8,319°

Minggu ini

▲

0.3%

8,317° dulu, 8,319° sekarang

Bulan ini

▲

1.1%

8,314° dulu, 8,319° sekarang

Tahun lalu

▲

25.2%

8,242° dulu, 8,319° sekarang

7,000°

Lantai

Skala berjalan dari 0° hingga 9,999°. Apa sahaja di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian di situ supaya senarai tetap lengkap. 7,000° adalah tempat data yang diukur bermula: model dengan data sebenar tapi hampir tiada muat turun berada di lantai, dan ukuran mengisi darjah di atasnya. Lantai tidak memberitahu apa-apa tentang model; hanya darjah di atasnya yang buat beza antara satu model dengan model lain.

+1,319°

Token OpenRouter

248,311,320,782 token diproses oleh model ini melalui OpenRouter dalam 30 hari terakhir, termasuk arahan dan jawapan. Setiap 10,000,000 token dikira sebagai satu muat turun dalam tempoh muat turun, 24,831 semuanya; token hari terakhir disertakan dalam kadar penggunaan. Sumber: OpenRouter (openrouter.ai/rankings).

Tunjukkan pecahan terperinci

Setiap nombor di laman ini boleh diperiksa. Skor panas model ini adalah 8,319°, dan ia dibina satu bahan pada satu masa, dengan jumlah terkini selepas setiap langkah: lantai, darjah yang ditambah oleh setiap sumber, bonus untuk jenis model dan apa yang umur beratnya tolak. Warna-warna itu adalah jalur carta di atas. Glosari di akhir menerangkan setiap istilah.

1
Mula di lantai.
Kenapa 7,000° dan bukan sifar: skala dari 0° hingga 9,999°, dan bahagian di bawah 7,000° dikhaskan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian supaya senarai tetap lengkap dan tidak pernah mengatasi model dengan data. 7,000° adalah tempat data yang diukur bermula. Model dengan data sebenar tapi hampir tiada muat turun berada di sini; semua yang berikut adalah ukuran, dan ruang di atas lantai ada sepuluh langkah muat turun sepuluh kali ganda pada 300° setiap satu. Lantai sama untuk setiap model, jadi ia tidak tentukan apa-apa; darjah di atasnya yang buat beza.
7,000°
jumlah berjalan
2
Tambah muat turun.
24,831 muat turun setara semuanya, dari Token OpenRouter. Sepuluh kali muat turun menambah 300° yang sama, jadi saiz penting tapi tidak pernah mengatasi skor.
+1,319°
8,319°
jumlah berjalan
=
Skor heat.
Di mana model ini berdiri dalam setiap senarai laman ini. Tiada yang lain mengubahnya.
8,319°

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Bagaimana populariti model ini bergerak berbanding katalog lain: pertumbuhannya dalam muat turun, suka dan penggunaan setiap tempoh, diukur berbanding pertumbuhan model biasa dalam tempoh yang sama, dengan skor panasnya pada masa itu. Di atas pertumbuhan biasa dibaca sebagai kenaikan, di bawahnya sebagai penurunan. Masa lalu dibina semula dari jumlah hari ini, hari pertama model dan kelajuan muat turun yang diukur jika ada dua bacaan; model yang tidak wujud pada permulaan tempoh menunjukkan n/a.

Model serupa

Model AI untuk penjanaan imej, video dan teks

Mistral Nemo ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm mistralai banyak bahasa tempatan bajet ejen konteks panjang

Layari mengikut keluarga model