Maaari ko bang patakbuhin ang Mistral Nemo nang lokal?

Oo. Bukas ang weights sa ilalim ng Apache 2.0 at makukuha sa mistralai/Mistral-Nemo-Instruct-2407 sa Hugging Face. Sinusuportahan ng Mistral AI ang pagpapatakbo nito gamit ang mistral_inference, Hugging Face Transformers, o NVIDIA NeMo.

Magkano ang halaga ng Mistral Nemo sa API, at ano ang context limit?

Ang presyo sa API ay $0.03 bawat milyon na tokens para sa parehong input at output, at ang context window ay 128k tokens.

Paano naiiba ang Mistral Nemo sa Mistral 7B?

Mas malaki ang Nemo sa 12B parameters, may mas malaking 128k context window kumpara sa mas maikling window ng 7B, nagdadagdag ng mas malawak na multilingual training, at itinuturing ng Mistral bilang direktang drop-in replacement para sa 7B sa mga umiiral na pipeline.

▲

0.3%

ngayong linggo

Mistral Nemo

8319°

#llm #mistralai #maramihang wika #lokal #badyet #mga ahente

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 | 131,072 token context | $0.03/M input, $0.03/M output. Isang 12B parameter model na may 128k token context length na ginawa ng Mistral sa pakikipagtulungan sa NVIDIA. Ang modelo ay multilingual, sumusuporta sa English, French, German, Spanish, Italian, Portuguese, Chinese, Japanese, Korean, Arabic, at Hindi. Sinusuportahan nito ang function calling at inilabas sa ilalim ng Apache 2.0 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

Ollama vs LM Studio (2026): alin ang local AI app na gagamitin, at alin ang mga top models na pinapatakbo ng bawat isa

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

Paano Mag-install ng Ollama at Magpatakbo ng Lokal na AI (Windows, Mac, Linux)

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 Mistral Nemo ay isang 12B parameter na modelo na binuo nang magkakasama ng Mistral AI at NVIDIA, na may 128k token na context window at tunay na multilingual na saklaw sa labing-isang wika. Nasa praktikal na gitna ito: sapat na maliit para patakbuhin nang lokal sa consumer hardware, mura sa API para iwan sa production nang hindi binabantayan ang meter, at sapat na kakayahan para palitan ang Mistral 7B sa karamihan ng pipeline. Ang Apache 2.0 weights ay nangangahulugang pagmamay-ari mo ang deployment.

Kilalang-kilala sa

Apache 2.0 lisensya: gamitin ito nang komersyal, baguhin, patakbuhin kahit saan.
128k context window sa 12B parameters ay pambihirang maluwag para sa ganitong laki.
Suporta sa labing-isang wika na may dedikadong multilingual training data, hindi lang English fine-tuning.
Built-in function calling, kaya praktikal para sa tool-use at agent pipelines.
Dinisenyo bilang drop-in upgrade mula sa Mistral 7B na may parehong integration patterns.

Mag-ingat sa

Ang multilingual MMLU scores ay nasa high-50s hanggang low-60s; malakas para sa laki, pero hindi frontier-level.
Sa 12B, kakailanganin ng quantisation para tumakbo nang maayos sa GPUs na may mas mababa sa 16 GB VRAM.

Pinakamainam para sa

Maramihang wika

Tumakbo nang lokal

Badyet

Mga ahente at paggamit ng tool

Mahabang konteksto

Mga prompt na subukan

Multilingual document summary

Ang sumusunod na talata ay nasa French. I-summarise ito sa English sa tatlong bullet points, pagkatapos isalin ang mga bullet sa Spanish at Japanese. "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."

Function-calling schema design

Disenyuhin ang JSON function schema para sa tool na tinatawag na get_weather. Dapat itong tumanggap ng pangalan ng lungsod, opsyonal na country code, at isang unit parameter na tumatanggap ng alinman sa celsius o fahrenheit na ang default ay celsius. Ibalik ang schema sa format na inaasahan ng function-calling API, pagkatapos ipakita ang isang halimbawa ng tawag para sa Tokyo sa celsius.

Long-context contract review

Nirereview mo ang isang software licence agreement. Tukuyin ang anumang clause na naglilimita sa sublicensing, naglalagay ng audit rights sa licensor, o awtomatikong nire-renew ang kontrata. Para sa bawat clause na makita, i-quote ang kaugnay na pangungusap at ipaliwanag sa simpleng English kung anong obligasyon ang nililikha nito para sa licensee. Kung wala, sabihin ito nang malinaw.

Ihambing sa

Mistral Large 2407
Modelong API lang
131,072 token na konteksto · $2.00/M input, $6.00/M output
Mistral Large 4
Modelong API lang
1,048,576 token na konteksto · $0.68/M input, $2.09/M output
Ministral 3 3B 2512
Modelong bukas ang timbang
131,072 token na konteksto · $0.10/M input, $0.10/M output
Voxtral Small 24B 2507
Modelong bukas ang timbang
32,768 token na konteksto · $0.10/M input, $0.30/M output

Higit pang mga text model mula sa mistralai

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Mistral Nemo nang lokal?: Oo. Bukas ang weights sa ilalim ng Apache 2.0 at makukuha sa mistralai/Mistral-Nemo-Instruct-2407 sa Hugging Face. Sinusuportahan ng Mistral AI ang pagpapatakbo nito gamit ang mistral_inference, Hugging Face Transformers, o NVIDIA NeMo.
Magkano ang halaga ng Mistral Nemo sa API, at ano ang context limit?: Ang presyo sa API ay $0.03 bawat milyon na tokens para sa parehong input at output, at ang context window ay 128k tokens.
Paano naiiba ang Mistral Nemo sa Mistral 7B?: Mas malaki ang Nemo sa 12B parameters, may mas malaking 128k context window kumpara sa mas maikling window ng 7B, nagdadagdag ng mas malawak na multilingual training, at itinuturing ng Mistral bilang direktang drop-in replacement para sa 7B sa mga umiiral na pipeline.

Hatol ng Kapitan
Isang makatwirang, tunay na bukas na 12B workhorse: mura patakbuhin sa API, libre i-deploy nang lokal, at isa sa mga mas tapat na multilingual na opsyon sa ganitong timbang na klase.

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

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

Not this creator?

Get your own badge

Trend ng kasikatan ng Mistral Nemo

Heat score, huling 12 buwan

Iskor ng init

8,319°

Ngayong linggo

▲

0.3%

8,317° noon, 8,319° ngayon

Ngayong buwan

▲

1.1%

8,314° noon, 8,319° ngayon

Nakaraang taon

▲

25.2%

8,242° noon, 8,319° ngayon

7,000°

Floor

Ang sukat ay mula 0° hanggang 9,999°. Lahat ng nasa ibaba ng 7,000° ay para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan. Sa 7,000° nagsisimula ang nasusukat na datos: ang modelong may totoong datos pero halos walang downloads ay nasa floor, at ang mga sukat ay pumupuno sa mga degree sa itaas nito. Ang floor ay hindi nagsasabi ng anuman tungkol sa modelo; ang mga degree sa itaas nito ang nagkakaiba-iba at siyang naghihiwalay ng mga modelo.

+1,319°

OpenRouter tokens

248,311,320,782 tokens ang naproseso ng modelong ito sa pamamagitan ng OpenRouter sa nakaraang 30 araw, kasama ang mga prompt at sagot. Bawat 10,000,000 tokens ay katumbas ng isang download sa termino ng download, 24,831 lahat-lahat; ang mga tokens ng huling araw ay kasama sa adoption rate. Pinagmulan: OpenRouter (openrouter.ai/rankings).

Ipakita ang detalyadong paghahati

Pwedeng suriin ang bawat numero sa site na ito. Ang heat score ng modelong ito ay 8,319°, at dito ito binubuo ng paisa-isang sangkap, kasama ang tumatakbong kabuuan pagkatapos ng bawat isa: ang floor, ang mga degree na idinadagdag ng bawat pinanggalingan, ang bonus para sa uri ng modelo at ang binabawas ng edad ng mga weights nito. Ang mga kulay ay ang mga banda ng tsart sa itaas. Ang glossary sa dulo ay naglilinaw ng bawat termino.

1
Magsimula sa floor.
Bakit 7,000° at hindi zero: ang sukat ay mula 0° hanggang 9,999°, at ang bahagi sa ibaba ng 7,000° ay nakalaan para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan at hindi mauuna sa modelong may datos. Sa 7,000° nagsisimula ang nasusukat na datos. Ang modelong may totoong datos pero halos walang downloads ay nandito; ang lahat ng susunod ay sukat, at ang espasyo sa itaas ng floor ay may sampung hakbang na sampung beses na pagtaas sa downloads na may 300° bawat isa. Pareho ang floor para sa lahat ng modelo, kaya hindi ito nagdedesisyon; ang mga degree sa itaas nito ang nagdedesisyon.
7,000°
patuloy na kabuuan
2
Idagdag ang mga download.
24,831 na katumbas ng download sa lahat, mula sa OpenRouter tokens. Sampung beses na pagdagdag ng downloads ay nagdadagdag ng parehong 300°, kaya mahalaga ang laki pero hindi ito sobra sa puntos.
+1,319°
8,319°
patuloy na kabuuan
=
Ang heat score.
Kung saan nakatayo ang modelong ito sa bawat listahan ng site na ito. Wala nang ibang nagbabago nito.
8,319°

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.

Paano gumalaw ang kasikatan ng modelong ito kumpara sa ibang mga nasa katalogo: ang paglago nito sa downloads, likes, at paggamit sa bawat panahon, sinusukat laban sa karaniwang paglago ng modelo sa parehong panahon, kasama ang heat score nito sa panahong iyon. Kapag mas mataas kaysa sa karaniwan, ibig sabihin ay pagtaas, kapag mas mababa ay pagbaba. Binubuo ang nakaraan mula sa mga kabuuan ngayon, unang araw ng modelo at sukat na bilis ng pag-download kung may dalawang sukat; ang modelong hindi pa umiiral sa simula ng panahon ay nagpapakita ng n/a.

Mga katulad na model

Fusion

TEXT / LLM

Hermes 3 405B Instruct

TEXT / LLM

GPT 5.6 Sol

TEXT / LLM

Qwen3 VL 235B A22B Thinking

TEXT / LLM

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

Ang Mistral Nemo 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 maramihang wika lokal badyet mga ahente mahabang konteksto

Mag-browse ayon sa pamilya ng model