ApacheMistralMoE开源开源模型

Mistral 8x7B 8x7B

Mixtral 8x7B系列 · Mistral AI · 2023-12发布

开源支持本地部署国内可直连有免费额度长上下文代码专用

🔗 官方体验地址 → 📄 API文档地址 → 📥 模型下载地址 →

模型介绍

Mistral 开源的经典 MoE 模型，总参 46.7B 仅激活 12.9B 推理快，Apache-2.0 可商用，是 8x22B 的前作。

模型基础信息

模型系列Mixtral 8x7B系列

开发机构Mistral AI

发布时间2023-12

参数规模46.7B（MoE，激活 12.9B）

上下文窗口32K

模型类型文本

中文能力良好

使用方式网页体验 / API调用 / 本地部署

免费额度与收费政策

开源免费

免费规则详情

Apache-2.0 完全商用。

收费标准简介

本地零成本。

模型能力介绍

✅ 核心优势

MoE 高效
pache 商用
多语�
生态成熟

⚠️ 短板与局限

内存需求中高
中文一般
能力不如 8x22B

🎯 适用场景

开源基座
多语�
私有化
研究

模型使用教程

本章节整理 Mistral 8x7B 的在线体验、API调用、本地部署全套入门教程，快速上手使用该模型。

本地体验：ollama run mixtral-8x7b 或 Transformers / vLLM 加载。
云端：HF 托管模型可在线体验。

ollama run mixtral-8x7b "用中文介绍一下Mistral 8x7B"

HF_ENDPOINT=https://hf-mirror.com huggingface-cli download Mistral AI/Mixtral 8x7B --local-dir ./mixtral-8x7b

或 ModelScope 国内直连下载。

from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained('Mistral AI/Mixtral 8x7B')
tok = AutoTokenizer.from_pretrained('Mistral AI/Mixtral 8x7B')
code = tok.apply_chat_template([{'role':'user','content':'你好'}], tokenize=False)
print(model.generate(**tok(code, return_tensors='pt')))

Mixtral 8x7B 是 46.7B 的 MoE 模型（激活 12.9B），Apache-2.0，性能强于同参数量密集模型。

vLLM：

pip install vllm && vllm serve mistralai/Mixtral-8x7B-Instruct-v0.1 --port 8000

Ollama：

ollama pull mixtral:8x7b

低显存用 4bit 量化（约 24GB）。

Tips：32K 上下文；MoE 权重较大但运行快，8x7b 是 48GB 卡的好选择。

💡 使用小技巧

量产后低门槛跑 MoE。

❓ 常见问题 FAQ

Q1：8x7B 与 8x22B？\nA1：规模与能力递增。

访问备注与注意事项

权重 hf-mirror 可下