Kan jag köra Mixtral 8x22B Instruct lokalt?

Ja, vikterna är öppna och finns på mistralai/Mixtral-8x22B-Instruct-v0.1 på Hugging Face. Tänk på att hela modellen är 141 miljarder parametrar, så du kommer nästan säkert behöva kvantisering för att få plats i konsument- eller prosumer-hårdvara.

Vad kostar den och hur långt är kontextfönstret?

Via API är modellen prissatt till 2,00 USD per miljon inmatningstokens och 6,00 USD per miljon utmatningstokens, med ett kontextfönster på 65 536 tokens.

Hur skiljer sig 8x22B från Mixtral 8x7B?

8x22B skalar upp både antalet experter och deras storlek, aktiverar 39 miljarder parametrar per framåtpass jämfört med ungefär 12 miljarder i 8x7B, vilket ger starkare prestanda på bekostnad av högre VRAM-krav och något högre API-pris.

Mixtral 8x22B Instruct

4658°

#llm #mistralai #kodning #agenter #lokal #chatt

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Mistral | 65 536 tokens kontext | $2.00/M input, $6.00/M output. Mistrals officiella instruktionsfinjusterade version av Mixtral 8x22B. Den använder 39 miljarder aktiva parametrar av 141 miljarder och erbjuder oöverträffad kostnadseffektivitet för sin storlek. Dess styrkor inkluderar: Se benchmarkar i lanseringsmeddelandet härOpens in new tab. #moe

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Mixtral 8x22B Instruct är Mistrals instruktionsanpassade sparsamma mixture-of-experts-modell, som aktiverar 39 miljarder parametrar vid inferens från totalt 141 miljarder. MoE-arkitekturen innebär att du får kapacitet nära en stor tät modell till en bråkdel av beräkningskostnaden. Den passar utvecklare som behöver stark allmän prestanda och vill ha öppna vikter som kan självhostas eller köras via API.

Känd för

Sparsamt MoE-design: 39 miljarder aktiva parametrar från 141 miljarder totalt håller inferenskostnaderna nere.
Öppna vikter tillgängliga på Hugging Face för självhosting.
Inbyggt stöd för funktionsanrop i tokenizern.
Kompatibel med både mistral_inference och Hugging Face transformers-pipelines.

Se upp för

141 miljarder totala parametrar innebär seriösa VRAM-krav för lokal inferens; kvantisering är nästan obligatoriskt.
Mistral rekommenderar mistral_common-tokenizer för exakta resultat; HF-tokenizern kan avvika något.
Med 6,00 USD/M utdata via API kan kostnaderna snabbt stiga vid långa generativa uppgifter.

Bäst för

Kodning

Agenter och verktygsanvändning

Kör lokalt

Chatt och assistenter

Promptar att prova

Flerstegs funktionsplan

Du har två verktyg: search_web(query) och send_email(to, subject, body). En användare ber: 'Hitta aktuellt pris på kopparterminer och skicka en sammanfattning till procurement@example.com.' Skriv ut den exakta sekvensen av verktygsanrop du skulle göra, med argument, och förklara ditt resonemang mellan varje steg.

Refaktorera för läsbarhet

Refaktorera följande Python-funktion så att den blir lättare att läsa och underhålla. Lägg till typangivelser, byt namn på oklara variabler och dela upp den om den gör mer än en sak. Förklara varje ändring du gjorde och varför. 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

Strukturerad dataextraktion

Extrahera varje företagsnamn, grundande år och huvudkontorsstad från texten nedan. Returnera resultatet som en JSON-array där varje objekt har nycklarna 'company', 'founded' och 'city'. Om ett fält inte nämns, använd null. 'Stripe grundades 2010 och har sitt huvudkontor i San Francisco. Revolut, med huvudkontor i London, lanserades 2015. Adyen har verkat från Amsterdam sedan 2006.'

Jämför med

Mistral Large 4
Endast API-modell
1,048,576 tokens kontext · $0.68/M indata, $2.09/M utdata
Mistral Large
Endast API-modell
128,000 tokens kontext · $2.00/M indata, $6.00/M utdata
Mistral Medium 3.5
Endast API-modell
262,144 tokens kontext · $1.50/M indata, $7.50/M utdata
Mistral Medium 3
Endast API-modell
131,072 tokens kontext · $0.40/M indata, $2.00/M utdata

Fler textmodeller från mistralai

Vanliga frågor

Kan jag köra Mixtral 8x22B Instruct lokalt?: Ja, vikterna är öppna och finns på mistralai/Mixtral-8x22B-Instruct-v0.1 på Hugging Face. Tänk på att hela modellen är 141 miljarder parametrar, så du kommer nästan säkert behöva kvantisering för att få plats i konsument- eller prosumer-hårdvara.
Vad kostar den och hur långt är kontextfönstret?: Via API är modellen prissatt till 2,00 USD per miljon inmatningstokens och 6,00 USD per miljon utmatningstokens, med ett kontextfönster på 65 536 tokens.
Hur skiljer sig 8x22B från Mixtral 8x7B?: 8x22B skalar upp både antalet experter och deras storlek, aktiverar 39 miljarder parametrar per framåtpass jämfört med ungefär 12 miljarder i 8x7B, vilket ger starkare prestanda på bekostnad av högre VRAM-krav och något högre API-pris.

Kaptens omdöme
En kapabel öppen vikts-arbetshäst med en smart kostnad-per-token-historia, men lokal drift kräver noggrann hårdvaruplanering.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Mixtral 8x22B Instruct är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm mistralai kodning agenter lokal chatt

Bläddra efter modellfamilj

Text / LLM-modeller

434