Kann ich Mistral Nemo lokal ausführen?

Ja. Die Gewichte sind unter Apache 2.0 offen und auf mistralai/Mistral-Nemo-Instruct-2407 bei Hugging Face verfügbar. Mistral AI unterstützt den Betrieb über mistral_inference, Hugging Face Transformers oder NVIDIA NeMo.

Was kostet Mistral Nemo über die API und wie groß ist das Kontextlimit?

Der API-Preis beträgt $0,03 pro Million Token für Ein- und Ausgabe, und das Kontextfenster umfasst 128k Token.

Worin unterscheidet sich Mistral Nemo von Mistral 7B?

Nemo ist mit 12 Milliarden Parametern größer, hat ein viel größeres Kontextfenster von 128k Token gegenüber 7B, bietet breiteres multilingual Training und wird von Mistral als direkter Drop-in-Ersatz für 7B in bestehenden Pipelines positioniert.

▲

0.3%

diese Woche

Mistral Nemo

8319°

#llm #mistralai #mehrsprachig #lokal #budget #agenten

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Mistral | 131.072 Token Kontext | $0.03/M Eingabe, $0.03/M Ausgabe. Ein 12B-Parameter-Modell mit 128k Token Kontextlänge, entwickelt von Mistral in Zusammenarbeit mit NVIDIA. Das Modell ist mehrsprachig und unterstützt Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Chinesisch, Japanisch, Koreanisch, Arabisch und Hindi. Es unterstützt Funktionsaufrufe und wird unter der Apache 2.0 Lizenz veröffentlicht.

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Ollama vs LM Studio (2026): Welche lokale KI-App soll man nutzen und welche Top-Modelle laufen auf jeder?

Wie viel VRAM brauche ich eigentlich für lokale KI?

Wie man Ollama installiert und eine lokale KI betreibt (Windows, Mac, Linux)

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Mistral Nemo ist ein 12-Milliarden-Parameter-Modell, das gemeinsam von Mistral AI und NVIDIA entwickelt wurde, mit einem Kontextfenster von 128k Token und echter mehrsprachiger Abdeckung in elf Sprachen. Es liegt im praktischen Mittelfeld: klein genug, um lokal auf Consumer-Hardware zu laufen, günstig genug über API, um ohne Kostenkontrolle im Produktivbetrieb zu bleiben, und leistungsfähig genug, um Mistral 7B in den meisten Pipelines zu ersetzen. Apache-2.0-Gewichte bedeuten, dass Sie die Bereitstellung selbst besitzen.

Bekannt für

Apache-2.0-Lizenz: kommerzielle Nutzung, Modifikation und Betrieb überall erlaubt.
128k Kontextfenster bei 12 Milliarden Parametern ist ungewöhnlich großzügig für diese Größenklasse.
Unterstützung von elf Sprachen mit dedizierten multilingualen Trainingsdaten, nicht nur englisches Feintuning.
Eingebautes Funktionsaufruf-Framework, praktisch für Tool-Use und Agent-Pipelines.
Als Drop-in-Ersatz für Mistral 7B mit denselben Integrationsmustern konzipiert.

Achte auf

Multilinguale MMLU-Werte liegen im hohen 50er bis niedrigen 60er Bereich; stark für die Größe, aber nicht Frontier-Level.
Bei 12 Milliarden Parametern ist Quantisierung nötig, um bequem auf GPUs mit unter 16 GB VRAM zu laufen.

Am besten für

Mehrsprachig

Lokal ausführbar

Budget

Agenten und Werkzeugnutzung

Langer Kontext

Prompts zum Ausprobieren

Mehrsprachige Dokumentenzusammenfassung

Der folgende Absatz ist auf Französisch. Fasse ihn auf Englisch in drei Stichpunkten zusammen, übersetze diese dann ins Spanische und Japanische. "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."

Funktionsaufruf-Schema entwerfen

Entwerfe ein JSON-Funktionsschema für ein Tool namens get_weather. Es soll einen Stadtnamen, einen optionalen Ländercode und einen Einheit-Parameter akzeptieren, der entweder celsius oder fahrenheit annimmt, wobei celsius Standard ist. Gib das Schema im Format zurück, das eine Function-Calling-API erwartet, und zeige ein Beispiel für einen Aufruf für Tokio in Celsius.

Langzeit-Vertragsprüfung

Du überprüfst eine Softwarelizenzvereinbarung. Identifiziere Klauseln, die Unterlizenzierung einschränken, dem Lizenzgeber Prüfungsrechte einräumen oder den Vertrag automatisch verlängern. Zitiere für jede gefundene Klausel den relevanten Satz und erkläre in einfachem Deutsch, welche Verpflichtung sie für den Lizenznehmer schafft. Wenn keine gefunden werden, sage das ausdrücklich.

Vergleichen mit

Mistral Large 2407
Nur API-Modell
131,072 Token Kontext · $2.00/M Eingabe, $6.00/M Ausgabe
Mistral Large 4
Nur API-Modell
1,048,576 Token Kontext · $0.68/M Eingabe, $2.09/M Ausgabe
Ministral 3 3B 2512
Modell mit offenen Gewichten
131,072 Token Kontext · $0.10/M Eingabe, $0.10/M Ausgabe
Voxtral Small 24B 2507
Modell mit offenen Gewichten
32,768 Token Kontext · $0.10/M Eingabe, $0.30/M Ausgabe

Mehr Textmodelle von mistralai

Häufig gestellte Fragen

Kann ich Mistral Nemo lokal ausführen?: Ja. Die Gewichte sind unter Apache 2.0 offen und auf mistralai/Mistral-Nemo-Instruct-2407 bei Hugging Face verfügbar. Mistral AI unterstützt den Betrieb über mistral_inference, Hugging Face Transformers oder NVIDIA NeMo.
Was kostet Mistral Nemo über die API und wie groß ist das Kontextlimit?: Der API-Preis beträgt $0,03 pro Million Token für Ein- und Ausgabe, und das Kontextfenster umfasst 128k Token.
Worin unterscheidet sich Mistral Nemo von Mistral 7B?: Nemo ist mit 12 Milliarden Parametern größer, hat ein viel größeres Kontextfenster von 128k Token gegenüber 7B, bietet breiteres multilingual Training und wird von Mistral als direkter Drop-in-Ersatz für 7B in bestehenden Pipelines positioniert.

Captain's Urteil
Ein vernünftiger, wirklich offener 12B-Arbeitspferd: günstig über API, kostenlos lokal einsetzbar und eine der ehrlichsten multilingualen Optionen in dieser Größenklasse.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Beliebtheitstrend von Mistral Nemo

Heat-Score, letzte 12 Monate

Heat-Score

8,319°

Diese Woche

▲

0.3%

8,317° damals, 8,319° jetzt

Diesen Monat

▲

1.1%

8,314° damals, 8,319° jetzt

Vergangenes Jahr

▲

25.2%

8,243° damals, 8,319° jetzt

7,000°

Grundwert

Die Skala reicht von 0° bis 9.999°. Alles unterhalb von 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben. 7,000° ist der Punkt, an dem gemessene Daten beginnen: Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt auf dem Grundwert, und die Messungen füllen die Grade darüber. Der Grundwert sagt nichts über das Modell aus; nur die Grade darüber tun das und trennen ein Modell vom anderen.

+1,319°

OpenRouter Tokens

248,311,320,782 Tokens hat dieses Modell in den letzten 30 Tagen über OpenRouter verarbeitet, Eingaben und Antworten zusammen. Je 10,000,000 Tokens zählen als ein Download im Download-Zeitraum, insgesamt 24,831; die Tokens des letzten Tages fließen in die Adoptionsrate ein. Quelle: OpenRouter (openrouter.ai/rankings).

Detaillierte Aufschlüsselung anzeigen

Jede Zahl auf dieser Seite kann überprüft werden. Der Heat-Score dieses Modells beträgt 8,319°, und hier wird er Schritt für Schritt aufgebaut, mit dem laufenden Gesamtwert nach jedem Schritt: der Grundwert, die Grad, die jede Quelle hinzufügt, der Bonus für die Art des Modells und was das Alter seiner Gewichte abzieht. Die Farben entsprechen den Bereichen der obigen Grafik. Das Glossar am Ende erklärt jeden Begriff.

1
Starte beim Grundwert.
Warum 7,000° und nicht null: Die Skala reicht von 0° bis 9.999°, und der Bereich unter 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben und niemals über einem Modell mit Daten stehen. 7,000° ist der Punkt, an dem gemessene Daten beginnen. Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt hier; alles, was folgt, ist Messung, und der Bereich über dem Grundwert enthält zehn zehnfache Schritte bei Downloads zu je 300°. Der Grundwert ist für jedes Modell gleich, er entscheidet also nichts; die Grade darüber tun das.
7,000°
laufende Summe
2
Füge die Downloads hinzu.
24,831 Download-Äquivalente insgesamt, von OpenRouter Tokens. Zehnmal die Downloads ergeben denselben 300°, also zählt die Größe, aber sie dominiert die Bewertung nie.
+1,319°
8,319°
laufende Summe
=
Der Heat-Score.
Wo dieses Modell auf jeder Liste dieser Seite steht. Nichts anderes beeinflusst ihn.
8,319°

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Wie sich die Beliebtheit dieses Modells im Vergleich zum Rest des Katalogs entwickelt hat: sein Wachstum bei Downloads, Likes und Nutzung in jedem Zeitraum, gemessen am typischen Wachstum eines Modells im gleichen Zeitraum, mit dem Heat-Score zu diesem Zeitpunkt. Über dem typischen Wachstum bedeutet ein Anstieg, darunter ein Rückgang. Die Vergangenheit wird aus den heutigen Gesamtzahlen, dem ersten Tag des Modells und seiner gemessenen Download-Geschwindigkeit rekonstruiert, wenn zwei Messungen vorliegen; ein Modell, das zu Beginn eines Zeitraums nicht existierte, zeigt n/a an.

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

Mistral Nemo ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm mistralai mehrsprachig lokal budget agenten langer kontext

Nach Modellfamilie stöbern