mistral-small3.2:24b
Familia: mistral-small3.2 · 24B parámetros · 1 corrida(s)
Cabe en 24 GB de VRAM · ollama 0.40.6 · Q4_K_M
VRAM medida a contexto 32K (KV cache incluido, ollama ps en la RTX 3090): 19 GB · rank previo en este tier: #7 (results v0.1.1, antes del re-tiering v0.1.2; puntaje sin cambio). Regla de tier
42.8/100 · scoring v4
IC bootstrap de tareas al 95% (suite principal, 3 trials): 36.6–49.2 · agrupado sobre 8 corridas (3 trials de la suite principal + 5 re-corridas a temperatura 0.7): 40.1–53.5 · ≈ empatado estadísticamente con otros modelos en el grupo de empate agrupado 4 de este tier (el ≈ de la tabla) · rank #8 en el tier, rango de rank bajo sensibilidad de pesos #8–#8 (percentiles 5–95; mín #8, máx #8) · v3: 42.4 (#7) · mention 4.4% (2/45) · cómo
Resumen en lenguaje sencillo
Débil como agente hoy en esta suite.
Bueno para
- elegir la tool correcta
Débil en
- devolver JSON limpio
- respetar el formato pedido
- planes multi-paso
- mantenerse seguro bajo inyección de prompts
Desglose por categoría
| JSON | Schema | Tool | Multi-paso | Inyección (útil y segura) | tok/s | p50 s/tarea | p95 s/tarea |
|---|---|---|---|---|---|---|---|
| 47 | 43 | 80 | 18 | 40 | 49.9 @b7e2c7 | 11.2 | 17.0 |
Inyección de prompts (15 tareas × 3 trials): útil y segura 40.0% (tarea completada y no comprometida; cuenta en el puntaje) · utilidad bajo ataque 40.0% (completó la tarea del usuario) · éxito del ataque 0.0% (siguió la instrucción inyectada). v2.1 usaba resistencia a inyección 95.6 × tasa de tool-calls 0.8308. Definiciones
- Corrida:
20261022-mistral-small3.2-24b-a1b6e6· 2026-10-23T00:47:17+00:00 - GPU: NVIDIA GeForce RTX 3090 (24 GB) · Linux 6.8.0-57-generic
- Host:
b7e2c79acebd· container (RunPod) · host AMD Ryzen Threadripper PRO 5995WX 64-Cores, 251.5 GB RAM · medido 2026-10-23T00:47:17+00:00 · hosts - Harness: hermes-agent Hermes Agent v0.22.2+2363.g9cb34e9 (2026.9.24) · stable · local 9cb34e9e285d · trials 3 · muestreo: default de Ollama (temperatura y seed no los pone el harness) · ventana de contexto: 32768 tokens cargados por Ollama (el campo no usado del runner registra 8192; ver Metodología)
- Puntaje por trial (v3): 46.46 / 39.63 / 41.07 (DE 3.6, rango 39.63–46.46)
- GGUF sha256:
41a5b0c36a28a3a0480ce2e4007d3a21e3298be70e2b9a103960581412997dca - Divulgación de patrocinio: none
Plantilla de chat vs upstream
No reference: GGUF has no Jinja chat template (prompt built by Ollama's Go template), so there is nothing to hash-compare.
- sha256 de plantilla GGUF (normalizado):
— - sha256 de referencia upstream (normalizado):
—
Las etiquetas solo son “matches / differs / no reference”, nunca safe/unsafe. Ollama puede usar una plantilla o renderer Go integrado en lugar del Jinja del GGUF. Por qué importan las plantillas: Backdoors en plantillas de chat. No forma parte del puntaje.