EuroLLM 22B vs Mistral Small 24B: modelos soberanos europeus

Comparar EuroLLM vs Mistral Small, é examinar duas visões muito diferentes da soberania digital europeia: um dos modelos vem de um consórcio acadêmico-industrial concebido para abranger as 24 línguas oficiais da UE, o outro é produzido por uma startup parisiense cujos modelos se tornaram referências mundiais em pesos abertos. Esses dois modelos, com 22 a 24 bilhões de parâmetros, visam a mesma faixa de uso — implantação local em um PC ou em um servidor de inferência compacto — mas com prioridades de treinamento radicalmente diferentes. Este artigo compara suas especificações de VRAM por quantização, suas pontuações nos benchmarks públicos, suas licenças e seus casos de uso concretos para ajudar você a fazer a escolha certa.

Origens e ambições: duas trajetórias europeias

EuroLLM 22B é o resultado do projeto EuroLLM, liderado por um consórcio cujo núcleo é composto por Unbabel e Instituto de Telecomunicações, com apoio institucional europeu. O objetivo explícito do projeto está documentado em a publicação no arXiv do consórcio EuroLLM : treinar modelos multilingues capazes de tratar equitativamente as línguas europeias menos representadas, como o polonês, húngaro ou romeno, sem sacrificar o francês, alemão ou espanhol. A versão 22B representa um aumento de potência em relação às versões iniciais de 1,7 e 9 bilhões de parâmetros.

Mistral Small 24B (também conhecido como Mistral Small 3.1) é uma criação da Mistral AI, startup fundada em Paris em 2023. A abordagem é diferente: maximizar a eficiência por parâmetro com uma arquitetura densa cuidadosamente otimizada, uma janela de contexto ampla e versatilidade de uso geral, em vez de um posicionamento multilíngue institucional. A documentação oficial da Mistral AI confirma um contexto de 128 000 tokens e uma licença Apache 2.0 completa.

Essas duas trajetórias coexistem no ecossistema francófono indexado em QualLLM, ao lado de modelos como Mistral Large 3 675B ou Mixtral 8x22B Instruct para necessidades de maior escala.

Especificações técnicas: VRAM, contexto e quantizações

A questão do hardware costuma ser a primeira a resolver. Aqui estão as estimativas por nível de quantização para cada um dos dois modelos.

EuroLLM 22B — estimativas de VRAM

• Parâmetros : 22 bilhões (arquitetura densa)
• Q4_K_M : ~13 GB estimado — compatível com RTX 4080 16 GB, RX 7900 XTX
• Q5_K_M : ~16 GB estimados — RTX 4090 recomendada
• Q8_0 : ~23 GB estimados — excede a capacidade da maioria das GPUs de consumo; duas GPUs ou um servidor
• FP16 : ~44 GB — apenas infraestrutura de servidor
• Janela de contexto : a confirmar conforme a versão publicada; as versões anteriores variavam entre 4.096 e 32.768 tokens
• Idiomas suportados : 24 línguas oficiais da UE + inglês, com atenção específica às línguas com poucos recursos linguísticos

Mistral Small 24B — estimativas de VRAM

• Parâmetros : 24 bilhões (arquitetura densa, Grouped Query Attention)
• Q4_K_M : ~14 GB estimados — RTX 4080 16 GB com folga, RTX 4080 12 GB no limite
• Q5_K_M : ~17 GB estimados — RTX 4090 recomendada
• Q8_0 : ~25 GB estimados — não cabe em uma única GPU de consumo
• FP16 : ~48 GB — servidor multi-GPU
• Janela de contexto : 128 000 tokens (confirmado no HuggingFace mistralai)
• Tokenizer : SentencePiece estendido, bom suporte multilíngue

A diferença de 2 bilhões de parâmetros é marginal na prática. A diferença real vem do tokenizer, dos dados de treinamento e dos objetivos de otimização de cada projeto.

Para entender o impacto concreto de cada nível de quantização na qualidade da inferência, o guia de quantização de QualLLM detalha os trade-offs mensuráveis.

Benchmarks: comparação de desempenho

Os benchmarks públicos disponíveis permitem uma comparação parcial. Várias pontuações do EuroLLM 22B ainda estavam sendo consolidadas pela comunidade no momento da redação — os números abaixo são estimativas a serem confirmadas nos repositórios oficiais.

MMLU (Massive Multitask Language Understanding)

• Mistral Small 24B : ~79–82% estimado, coerente com os modelos Mistral 24B publicados anteriormente
• EuroLLM 22B : a confirmar — as versões 9B do projeto atingiam pontuações MMLU competitivas em idiomas-alvo, mas inferiores ao inglês em comparação com modelos exclusivamente anglocentros

HumanEval (geração de código)

• Mistral Small 24B : pass@1 estimado em aproximadamente 70–74%, já que a programação é um ponto forte da Mistral AI
• EuroLLM 22B : não prioritário no projeto; desempenho estimado inferior (~45–55%), a confirmar nos benchmarks comunitários

Benchmarks multilingues (vantagem estrutural do EuroLLM)

É nas avaliações multilíngues que a justificativa para o EuroLLM 22B fica mais clara. No FLORES+ (tradução automática), nas versões linguísticas do MMLU ou nos benchmarks específicos para línguas da UE com poucos recursos (polonês, romeno, húngaro, grego), o EuroLLM é treinado para superar modelos generalistas de tamanho equivalente — inclusive Mistral Small 24B.

AIME e raciocínio matemático

Nenhum dos dois visa o segmento de raciocínio avançado. No AIME, o desempenho dos modelos de 22 a 24B sem especialização matemática permanece modesto em comparação com arquiteturas MoE como Qwen 3 235B-A22B que ativa 22B de parâmetros com um pool de 235B.

Licenças: o que muda para uso profissional

A licença costuma ser um critério decisivo antes mesmo do desempenho.

EuroLLM 22B : as versões anteriores do projeto usavam Apache 2.0 ou CC-BY 4.0. A licença da versão 22B precisa ser confirmada no repositório oficial. O uso comercial sem royalties era geralmente previsto, desde que houvesse atribuição.

Mistral Small 24B : distribuído sob Apache 2.0, a mais permissiva entre as principais licenças open-weights. Modificação, redistribuição, integração comercial: tudo é permitido sem restrições nem royalties. É o mesmo regime que Mistral Medium 3.5 128B, o que simplifica as decisões de adoção em empresas.

Para equipes sujeitas a restrições legais europeias (RGPD, soberania de dados), os dois modelos permitem uma implantação estritamente on-premise sem transmissão de dados a serviços de terceiros.

Casos de uso concretos

Quando escolher EuroLLM 22B?

1. Aplicações institucionais multilíngues : suporte ao cliente em 10+ idiomas da UE, tradução de documentos oficiais, assistentes parlamentares ou administrativos
2. Línguas com poucos recursos como prioridade : polonês, tcheco, romeno, húngaro — o EuroLLM é treinado especificamente para esses idiomas, nos quais os modelos generalistas têm dificuldade
3. Projetos de pesquisa ou financiamentos da UE : o alinhamento com as iniciativas europeias de soberania digital facilita as justificativas de escolha tecnológica nos processos de financiamento
4. Restrições relacionadas a dados sensíveis : implantação on-premise sem dependência de fornecedores de fora da UE

Quando escolher Mistral Small 24B?

1. Tarefas gerais em francês : redação, resumo, extração, classificação — Mistral é excelente em francês sem configuração específica
2. Código e tarefas técnicas : vantagem clara em HumanEval e nas tarefas de programação
3. Contexto longo até 128k tokens : análise de documentos, bases de conhecimento, pipelines RAG
4. Implantação auto-hospedada em uma única GPU : a eficiência por parâmetro e a janela de contexto ampla tornam esse modelo adequado para servidores de inferência locais com RTX 4090
5. Ecossistema e integrações : a compatibilidade com llama.cpp, a chamada nativa de funções e a documentação da Mistral tornam a integração em pipelines existentes mais direta

Le configurador QualLLM permite que você filtre os modelos com base na sua GPU e nas línguas-alvo para refinar essa escolha.

Posicionamento no ecossistema de modelos de pesos abertos

Com 22 a 24 bilhões de parâmetros, EuroLLM 22B e Mistral Small 24B ocupam uma posição específica: acima dos modelos de 7 a 13 bilhões que cabem em 8 GB de VRAM, mas bem abaixo das arquiteturas MoE ou dos modelos densos muito grandes que exigem vários GPUs de alto desempenho.

Modelos como DeepSeek R1 671B ou Llama 4 Maverick 400B superam os dois em tarefas complexas, mas exigem uma infraestrutura com 200 a 400 GB de VRAM em Q4. Em uma RTX 4090 de 24 GB, EuroLLM 22B e Mistral Small 24B são candidatos realistas em Q4_K_M com inferência fluida.

Para equipes que já possuem uma infraestrutura multi-GPU e buscam um modelo Mistral mais poderoso, Mistral Small 4 (119B) com 72 GB de VRAM em Q4 representa o próximo nível da linha.

FAQ

P: O EuroLLM 22B é melhor que o Mistral Small 24B em francês?

Não necessariamente. O francês é uma língua muito bem coberta pelo Mistral Small 24B graças aos seus dados de treinamento de uso geral. O EuroLLM 22B agrega valor nas línguas europeias menos representadas — polonês, húngaro e romeno —, mais do que no francês ou no espanhol, em que o Mistral já é competitivo sem esforço especial.

P: Qual a quantidade mínima de VRAM necessária para rodar esses dois modelos?

Com quantização Q4_K_M, conte com estimativas de 13 a 14 GB para EuroLLM 22B e de 14 a 15 GB para Mistral Small 24B. Uma RTX 4080 de 16 GB comporta os dois com folga. Uma RTX 4090 de 24 GB oferece margem para o Q5_K_M. Com menos de 12 GB, a quantização Q3 é uma possibilidade, mas degrada perceptivelmente a qualidade.

P: A licença do EuroLLM 22B permite uso comercial?

As versões anteriores do projeto EuroLLM utilizavam Apache 2.0 ou CC-BY 4.0, licenças permissivas para uso comercial. A licença da versão 22B precisa ser confirmada no repositório oficial antes de qualquer implantação comercial. Mistral Small 24B, por sua vez, está claramente sob Apache 2.0, sem nenhuma restrição comercial.

P: Mistral Small 24B suporta chamadas de função?

Sim. O Mistral Small 24B (3.1) oferece suporte nativo à chamada de funções no formato Mistral, bem documentado nos SDKs oficiais. O EuroLLM 22B, focado no multilinguismo acadêmico, não trata a chamada de funções como prioridade — as capacidades de uso de ferramentas ainda precisam ser confirmadas na versão 22B.

P: Onde encontrar os arquivos GGUF para hospedagem própria?

Os arquivos GGUF do Mistral Small 24B estão disponíveis em HuggingFace por meio de repositórios comunitários bem mantidos. Para o EuroLLM 22B, mais recente, verifique os repositórios oficiais do consórcio e as contribuições comunitárias — pode ser necessária uma conversão manual conforme a versão disponível.

P: Como o EuroLLM 22B se compara ao Mistral Small 4?

Mistral Small 4 (119B) pertence a outra categoria: 119 bilhões de parâmetros contra 22–24B, com 72 GB de VRAM necessários em Q4. Ele supera os dois modelos comparados em quase todas as tarefas, mas exige uma infraestrutura de GPU significativamente mais pesada. EuroLLM 22B e Mistral Small 24B continuam sendo as opções realistas para hospedagem própria em uma única GPU de consumo.

Conclusão

A comparação EuroLLM vs Mistral Small revela duas ferramentas mais complementares do que concorrentes: o Mistral Small 24B se destaca para tarefas gerais, código e contextos longos em auto-hospedagem em uma única GPU, enquanto o EuroLLM 22B atende a uma necessidade institucional concreta de cobertura multilíngue europeia para línguas com poucos recursos. A escolha depende, acima de tudo, das suas línguas-alvo e das suas restrições de hardware. Explore os 249 modelos indexados no catálogo QualLLM ou use o configurador para encontrar o modelo adequado para sua GPU e seus casos de uso.