Bukas ba ang weights at pwede ko bang patakbuhin ang Devstral 2 nang lokal?

Oo — available ang weights sa Hugging Face sa ilalim ng modified MIT licence, kaya pwede mong i-download at i-self-host ang model, pero ang 123B parameters sa FP8 precision ay nangangailangan ng malaking GPU memory.

Magkano ang Devstral 2 sa API, at ano ang context limit nito?

Sisingilin ng Mistral ng $0.40 kada milyon input tokens at $2.00 kada milyon output tokens, na may 256K (262,144-token) context window.

Paano naiiba ang Devstral 2 sa Devstral Small 2?

Ang Devstral 2 na may 123B ay may 72.2% sa SWE-bench Verified kumpara sa 68.0% ng 24B Devstral Small 2; nangunguna rin ang mas malaking model sa multilingual SWE tasks at TerminalBench 2, kapalit ng mas mataas na hardware at API gastos.

Devstral 2 2512

2123°

#llm #mistralai #pag-coding #mga ahente #mahabang konteksto #lokal

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Mistral | 262,144 token context | $0.40/M input, $2.00/M output. Ang Devstral 2 ay isang state-of-the-art open-source na modelo mula sa Mistral AI na dalubhasa sa agentic coding. Isa itong 123B-parameter dense transformer model na sumusuporta sa 256K context window. Sinusuportahan ng Devstral 2 ang pag-explore ng mga codebase at pag-orchestrate ng mga pagbabago sa maraming file habang pinapanatili ang architecture-level na konteksto. Sinusubaybayan nito ang mga dependency ng framework, nakakakita ng mga pagkakamali, at nagre-retry na may mga pagwawasto—nilulutas ang mga hamon tulad ng pag-aayos ng bug at modernisasyon ng legacy systems. Maaaring i-fine-tune ang modelo upang bigyang-priyoridad ang mga partikular na wika o i-optimize para sa malalaking enterprise codebase. Available ito sa ilalim ng modified MIT license.

Mga gabay para sa model na ito

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Devstral 2 ay ang 123B-parameter open-weights model ng Mistral AI na ginawa para sa agentic software engineering. Kaya nitong mag-navigate sa malalaking codebase, mag-edit sa maraming files nang sabay-sabay, at subaybayan ang mga framework dependencies — lahat sa loob ng 256K context window. Kung gumagawa o nagpapatakbo ka ng AI coding agent kaysa sa simpleng humingi lang ng snippets, ito ang modelong unang dapat subukan sa mga open-weights na opsyon.

Kilalang-kilala sa

Agentic na trabaho sa codebase: nag-eexplore, nag-eedit, at nag-oorganisa ng mga pagbabago sa maraming files.
72.2% sa SWE-bench Verified — katunggali ng mga modelong may parameter count na ilang beses nito.
61.3% sa SWE-bench Multilingual, pinakamalakas na multilingual SWE score sa mga open-weights na kapantay.
256K context window na may architecture-level na pag-unawa sa malalaking codebase.
Gumagana kasama ang Cline, OpenHands, SWE-Agent, Claude Code at ang sariling Vibe CLI ng Mistral.

Mag-ingat sa

Sa 123B parameters, nangangailangan ng seryosong hardware ang self-hosting; suriin ang VRAM bago mag-download.
Modified MIT licence — hindi standard na MIT; basahin ang mga termino bago gamitin sa komersyal o derivative na paraan.
Mas mataas pa rin ang score ng closed frontier models (GPT 5.1 Codex Max, Gemini 3 Pro, Claude Sonnet 4.5) sa SWE-bench.

Pinakamainam para sa

Pag-coding

Mga ahente at paggamit ng tool

Mahabang konteksto

Tumakbo nang lokal

Mga prompt na subukan

Plano ng multi-file na refactor

Mayroon akong Python Flask monolith kung saan ang authentication logic ay kalat sa app.py, routes/user.py at utils/helpers.py. Suriin ang dependencies sa pagitan ng mga files na ito, tukuyin ang bawat lugar kung saan binabasa o sinusulat ang auth state, at gumawa ng step-by-step na plano para ilipat ito sa isang standalone auth module nang hindi nasisira ang kasalukuyang behavior.

Audit ng legacy modernisation

Narito ang isang Node.js 12 codebase na gumagamit ng callbacks sa buong code at umaasa sa ilang deprecated na npm packages. Ilahad ang bawat pattern na kailangang baguhin para maging compatible sa Node.js 20, i-grupo ito ayon sa antas ng panganib, at imungkahi ang pagkakasunod-sunod ng mga pagbabago para ang bawat isa ay ma-test nang hiwalay.

Paghahanap ng bug gamit ang retry logic

Isang Django REST API ang paminsan-minsang nagbabalik ng 500 error kapag dalawang user ay nag-update ng parehong object sa loob ng ilang millisecond. Ilarawan ang mga posibleng race conditions sa tipikal na Django ORM setup, gumawa ng test na reliably na nagreproduce ng isyu, pagkatapos ay magmungkahi at magpatupad ng ayos gamit ang database-level locking.

Ihambing sa

Mistral Large 4
Modelong API lang
1,048,576 token na konteksto · $0.68/M input, $2.09/M output
Mistral Medium 3.5
Modelong API lang
262,144 token na konteksto · $1.50/M input, $7.50/M output
Mistral Large 2407
Modelong API lang
131,072 token na konteksto · $2.00/M input, $6.00/M output
Mistral Nemo
Modelong bukas ang timbang
131,072 token na konteksto · $0.03/M input, $0.03/M output

Higit pang mga text model mula sa mistralai

Mga tanong na madalas itanong

Bukas ba ang weights at pwede ko bang patakbuhin ang Devstral 2 nang lokal?: Oo — available ang weights sa Hugging Face sa ilalim ng modified MIT licence, kaya pwede mong i-download at i-self-host ang model, pero ang 123B parameters sa FP8 precision ay nangangailangan ng malaking GPU memory.
Magkano ang Devstral 2 sa API, at ano ang context limit nito?: Sisingilin ng Mistral ng $0.40 kada milyon input tokens at $2.00 kada milyon output tokens, na may 256K (262,144-token) context window.
Paano naiiba ang Devstral 2 sa Devstral Small 2?: Ang Devstral 2 na may 123B ay may 72.2% sa SWE-bench Verified kumpara sa 68.0% ng 24B Devstral Small 2; nangunguna rin ang mas malaking model sa multilingual SWE tasks at TerminalBench 2, kapalit ng mas mataas na hardware at API gastos.

Hatol ng Kapitan
Ang pinakamalakas na open-weights coding agent sa ganitong laki — kung kaya mong bigyan ito ng sapat na VRAM.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Devstral 2 2512 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm mistralai pag-coding mga ahente mahabang konteksto lokal

Mag-browse ayon sa pamilya ng model