Mistral · 2024-04 · Sparsames MoE
Mixtral 8x22B
Mixtral 8x22B ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von Mistral im 2024-04, mit 56 Schichten, Hidden-Größe 6144 und einem Kontextfenster von 65,536 Tokens.
Schichtstapel
Attention ×56 · Schichten 56
Kernfakten
| Labor | Mistral |
|---|---|
| Veröffentlicht | 2024-04 |
| Parameter | 140.6 Mrd. |
| Aktiv | 39.1 Mrd. |
| Kontext | 65,536 tokens |
| Attention | GQA (48:8) |
| Schichten | 56 |
| Hidden-Dim. | 6,144 |
| Attention-Köpfe | 48 |
| Vokabular | 32,000 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | — |
| Architekturklasse | MixtralForCausalLM |
Architekturüberblick
Attention
Grouped-Query-Attention (GQA) — 48 q-heads / 8 kv-heads. RoPE θ=1,000,000.
FFN / MoE
Es handelt sich um ein sparsames Mixture-of-Experts mit 8 gerouteten Experten und Top-2-Routing; etwa 39.1 Mrd. Parameter sind pro Token aktiv.
Feldweiser Vergleich
Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.
Vollfeldvergleich mit dem Vorgänger Mistral 7B
| Modell | Mixtral 8x22B | Mistral 7B | Ratio |
|---|---|---|---|
| model_type | mixtral | mistral | ≠ |
| architectures | MixtralForCausalLM | MistralForCausalLM | ≠ |
| hidden_size | 6144 | 4096 | ×1.50 |
| num_hidden_layers | 56 | 32 | ×1.75 |
| num_attention_heads | 48 | 32 | ×1.50 |
| num_key_value_heads | 8 | 8 | ≈1 |
| intermediate_size | 16384 | 14336 | ×1.14 |
| hidden_act | silu | silu | ＝ |
| num_experts_per_tok | 2 | — | |
| rope_theta | 1000000 | 10000 | ×100.00 |
| max_position_embeddings | 65536 | 32768 | ×2.00 |
| sliding_window | — | 4096 | |
| rms_norm_eps | 0.00001 | 0.00001 | ≈1 |
| vocab_size | 32000 | 32000 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| attention_dropout | 0 | — | |
| bos_token_id | 1 | 1 | ≈1 |
| eos_token_id | 2 | 2 | ≈1 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| num_local_experts | 8 | — | |
| output_router_logits | false | — | |
| router_aux_loss_coef | 0.001 | — | |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.38.0 | 4.34.0.dev0 | ≠ |
| use_cache | true | true | ＝ |
Strukturell ähnlichste Modelle
- MiniMax-Text-01 (MiniMax, 2025-01) 0.988
- MiniMax-M1 (MiniMax, 2025-06) 0.988
- GLM-4.5-Air (GLM, 2025-07) 0.986
- GPT-OSS 20B (OpenAI, 2025-08) 0.984
- GPT-OSS 120B (OpenAI, 2025-08) 0.982
- Qwen3 235B A22B (Qwen, 2025-04) 0.981
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
24 Felder
| architectures | MixtralForCausalLM |
|---|---|
| attention_dropout | 0 |
| bos_token_id | 1 |
| eos_token_id | 2 |
| hidden_act | silu |
| hidden_size | 6144 |
| initializer_range | 0.02 |
| intermediate_size | 16384 |
| max_position_embeddings | 65536 |
| model_type | mixtral |
| num_attention_heads | 48 |
| num_experts_per_tok | 2 |
| num_hidden_layers | 56 |
| num_key_value_heads | 8 |
| num_local_experts | 8 |
| output_router_logits | false |
| rms_norm_eps | 0.00001 |
| rope_theta | 1000000 |
| router_aux_loss_coef | 0.001 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.38.0 |
| use_cache | true |
| vocab_size | 32000 |