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

Comparar EuroLLM vs Mistral Small, es examinar dos visiones muy diferentes de la soberanía digital europea: la de un modelo surgido de un consorcio académico-industrial concebido para cubrir las 24 lenguas oficiales de la UE y la de otro producido por una startup parisina cuyos modelos se han convertido en referentes mundiales entre los modelos de pesos abiertos. Estos dos modelos, de entre 22 y 24 mil millones de parámetros, están orientados al mismo ámbito de uso —despliegue local en un PC o un servidor de inferencia compacto—, pero con prioridades de entrenamiento radicalmente diferentes. Este artículo compara sus especificaciones de VRAM según la cuantización, sus puntuaciones en benchmarks públicos, sus licencias y sus casos de uso concretos para ayudarte a elegir bien.

Orígenes y ambiciones: dos trayectorias europeas

EuroLLM 22B es el resultado del proyecto EuroLLM, liderado por un consorcio cuyo núcleo está compuesto por Unbabel y el Instituto de Telecomunicações, con apoyo institucional europeo. El objetivo explícito del proyecto se documenta en la publicación en arXiv del consorcio EuroLLM : entrenar modelos multilingües capaces de tratar de forma equitativa las lenguas europeas menos representadas como el polaco, húngaro o rumano, sin sacrificar el francés, alemán o español. La versión 22B representa un avance respecto a las versiones iniciales de 1,7 y 9 mil millones de parámetros.

Mistral Small 24B (también conocido como Mistral Small 3.1) es obra de Mistral AI, startup fundada en París en 2023. El enfoque es diferente: maximizar la eficiencia por parámetro con una arquitectura densa cuidadosamente optimizada, una ventana de contexto amplia y una versatilidad generalista en lugar de un posicionamiento multilingüe institucional. La documentación oficial de Mistral AI confirma un contexto de 128 000 tokens y una licencia Apache 2.0 completa.

Estas dos rutas coexisten en el ecosistema francófono indexado en quelllm.fr, junto a modelos como Mistral Large 3 675B o Mixtral 8x22B Instruct para necesidades de mayor escala.

Especificaciones técnicas: VRAM, contexto y cuantizaciones

La cuestión del hardware suele ser la primera que hay que resolver. Estas son las estimaciones por nivel de cuantización para cada uno de los dos modelos.

EuroLLM 22B — estimaciones de VRAM

• Parámetros : 22 mil millones (arquitectura densa)
• Q4_K_M : ~13 GB estimado — compatible con RTX 4080 16 GB, RX 7900 XTX
• Q5_K_M : ~16 GB estimados — se recomienda una RTX 4090
• Q8_0 : ~23 GB estimados — supera la capacidad de la mayoría de las GPU de consumo; configuración con dos GPU o servidor
• FP16 : ~44 GB — infraestructura de servidor únicamente
• Ventana de contexto : por confirmar según la versión publicada; las versiones anteriores variaban entre 4.096 y 32.768 tokens
• Idiomas cubiertos : 24 lenguas oficiales de la UE + inglés, con atención específica a las lenguas con pocos recursos

Mistral Small 24B — estimaciones de VRAM

• Parámetros : 24 mil millones (arquitectura densa, Grouped Query Attention)
• Q4_K_M : ~14 GB estimados — la RTX 4080 de 16 GB va holgada; la RTX 4080 de 12 GB está al límite
• Q5_K_M : ~17 GB estimados — se recomienda una RTX 4090
• Q8_0 : ~25 GB estimados — no cabe en una sola GPU de consumo
• FP16 : ~48 GB — servidor multi-GPU
• Ventana de contexto : 128 000 tokens (confirmados en HuggingFace mistralai)
• Tokenizer : SentencePiece extendido, buen soporte multilingüe

La diferencia de 2 mil millones de parámetros es marginal en la práctica. La diferencia real proviene del tokenizer, de los datos de entrenamiento y de los objetivos de optimización de cada proyecto.

Para entender el impacto concreto de cada nivel de cuantización en la calidad de inferencia, el guía de cuantización de quelllm.fr detalla las ventajas e inconvenientes medibles.

Benchmarks: comparación de rendimiento

Los benchmarks públicos disponibles permiten una comparación parcial. Varias puntuaciones de EuroLLM 22B seguían en proceso de consolidación por parte de la comunidad en el momento de la redacción; las cifras que aparecen a continuación son estimaciones pendientes de confirmar en los repositorios oficiales.

MMLU (Massive Multitask Language Understanding)

• Mistral Small 24B : ~79–82% estimado, coherente con los modelos Mistral 24B publicados anteriormente
• EuroLLM 22B : por confirmar — las versiones de 9B del proyecto alcanzaban puntuaciones MMLU competitivas en idiomas objetivo pero inferiores al inglés en comparación con modelos exclusivamente anglosajones

HumanEval (generación de código)

• Mistral Small 24B : ~70–74% de pass@1 estimado, ya que la programación es uno de los puntos fuertes de Mistral AI
• EuroLLM 22B : no prioritario en el proyecto; rendimiento estimado inferior (~45–55%), por confirmar en los benchmarks comunitarios

Benchmarks multilingües (ventaja estructural de EuroLLM)

La justificación de EuroLLM 22B es más clara en las evaluaciones multilingües. En FLORES+ (traducción automática), en las variantes lingüísticas de MMLU o en los benchmarks específicos para lenguas de la UE con pocos recursos (polaco, rumano, húngaro, griego), EuroLLM está entrenado para superar a modelos generalistas de tamaño equivalente — incluido Mistral Small 24B.

AIME y razonamiento matemático

Ni uno ni otro están orientados al segmento de razonamiento avanzado. En AIME, el rendimiento de los modelos de 22–24B sin especialización matemática sigue siendo modesto en comparación con arquitecturas MoE como Qwen 3 235B-A22B que activa 22B de parámetros de un conjunto de 235B.

Licencias: lo que cambia para uso profesional

La licencia suele ser un criterio decisivo antes incluso de las prestaciones.

EuroLLM 22B : las versiones anteriores del proyecto utilizaban Apache 2.0 o CC-BY 4.0. La licencia de la versión 22B debe confirmarse en el repositorio oficial. Generalmente se contemplaba un uso comercial sin regalías, sujeto a atribución.

Mistral Small 24B : distribuido bajo Apache 2.0, la más permisiva de las principales licencias para modelos de pesos abiertos. Modificación, redistribución, integración comercial: todo está permitido sin restricciones ni regalías. Es el mismo régimen que Mistral Medium 3.5 128B, lo que simplifica las decisiones de adopción en las empresas.

Para equipos sujetos a restricciones legales europeas (RGPD, soberanía de los datos), ambos modelos permiten un despliegue estrictamente en las propias instalaciones sin transmitir datos a servicios de terceros.

Casos de uso concretos

¿Cuándo elegir EuroLLM 22B?

1. Aplicaciones institucionales multilingües : soporte al cliente en 10+ idiomas de la UE, traducción de documentos oficiales, asistentes parlamentarios o administrativos
2. Idiomas con pocos recursos como prioridad : polaco, checo, rumano, húngaro — EuroLLM está entrenado específicamente para estas lenguas, en las que los modelos generalistas tienen dificultades
3. Proyectos de investigación o financiación de la UE : la alineación con las iniciativas europeas de soberanía digital facilita la justificación de las elecciones tecnológicas en los expedientes de financiación
4. Restricciones relacionadas con los datos sensibles : despliegue on-premise sin dependencia de proveedores fuera de la UE

¿Cuándo elegir Mistral Small 24B?

1. Tareas generales en francés : redacción, resumen, extracción, clasificación — Mistral es excelente en francés sin configuración específica
2. Código y tareas técnicas : ventaja clara en HumanEval y en las tareas de programación
3. Contexto largo de hasta 128k tokens : análisis de documentos, bases de conocimiento, pipelines RAG
4. Despliegue autoalojado en una única GPU : su eficiencia por parámetro y su amplia ventana de contexto lo convierten en un modelo adecuado para servidores de inferencia locales con una RTX 4090
5. Ecosistema e integraciones : la compatibilidad con llama.cpp, las llamadas a funciones nativas y la documentación de Mistral hacen que la integración en pipelines existentes sea más directa

Le configurador quelllm.fr te permite filtrar los modelos según tu GPU y tus lenguas objetivo para afinar esta elección.

Posicionamiento en el ecosistema de modelos de pesos abiertos

Con 22–24 mil millones de parámetros, EuroLLM 22B y Mistral Small 24B ocupan un nicho preciso: por encima de los modelos de 7–13B que caben en 8 GB de VRAM, pero muy por debajo de las arquitecturas MoE o de los modelos densos muy grandes que requieren varios GPUs de gama alta.

Modelos como DeepSeek R1 671B o Llama 4 Maverick 400B superan a los dos en tareas complejas, pero requieren una infraestructura con 200–400 GB de VRAM en Q4. En una RTX 4090 de 24 GB, EuroLLM 22B y Mistral Small 24B son candidatos realistas en Q4_K_M con inferencia fluida.

Para los equipos que ya tienen una infraestructura multi-GPU y buscan un modelo Mistral más potente, Mistral Small 4 (119B) con 72 GB de VRAM en Q4 representa el siguiente nivel en la gama.

FAQ

P: ¿Es EuroLLM 22B mejor que Mistral Small 24B en francés?

No necesariamente. El francés está muy bien cubierto por Mistral Small 24B gracias a sus datos de entrenamiento generales. EuroLLM 22B aporta su valor añadido en idiomas europeos menos representados —polaco, húngaro, rumano— en lugar del francés o el español, donde Mistral ya es competitivo sin esfuerzo especial.

P: ¿Qué cantidad mínima de VRAM se necesita para ejecutar estos dos modelos?

Con cuantización Q4_K_M, calcula unos 13–14 GB para EuroLLM 22B y unos 14–15 GB para Mistral Small 24B. Una RTX 4080 de 16 GB permite ejecutar ambos cómodamente. Una RTX 4090 de 24 GB ofrece margen para Q5_K_M. Por debajo de 12 GB, la cuantización Q3 es una opción, pero degrada la calidad de forma perceptible.

P: ¿La licencia de EuroLLM 22B permite uso comercial?

Las versiones anteriores del proyecto EuroLLM utilizaban Apache 2.0 o CC-BY 4.0, permisivas para uso comercial. La versión 22B debe confirmarse en el repositorio oficial antes de cualquier despliegue comercial. Mistral Small 24B, en cambio, está claramente bajo Apache 2.0 sin ninguna restricción comercial.

P: ¿Mistral Small 24B admite llamadas a funciones?

Sí. Mistral Small 24B (3.1) soporta nativamente el function calling en formato Mistral, bien documentado en los SDKs oficiales. EuroLLM 22B, centrado en el multilingüismo académico, no posiciona el function calling como prioridad — las capacidades de uso de herramientas aún no se han confirmado en la versión 22B.

P: ¿Dónde encontrar los archivos GGUF para el autoalojamiento?

Los archivos GGUF de Mistral Small 24B están disponibles en HuggingFace a través de repositorios comunitarios bien mantenidos. Para EuroLLM 22B, más reciente, revisa los repositorios oficiales del consorcio y las contribuciones comunitarias: puede ser necesaria una conversión manual según la versión disponible.

P: ¿Cómo se compara EuroLLM 22B con Mistral Small 4?

Mistral Small 4 (119B) pertenece a una categoría diferente: 119 mil millones de parámetros frente a 22–24B, con 72 GB de VRAM necesarios en Q4. Supera a los dos modelos comparados en casi todas las tareas, pero requiere una infraestructura de GPU significativamente más exigente. EuroLLM 22B y Mistral Small 24B siguen siendo las opciones realistas para el autoalojamiento en una única GPU de consumo.

Conclusión

La comparación EuroLLM vs Mistral Small revela dos herramientas más complementarias que competidoras: Mistral Small 24B se impone para las tareas generales, el código y los contextos largos con autoalojamiento en una sola GPU, mientras que EuroLLM 22B responde a una necesidad institucional concreta de cobertura multilingüe europea para lenguas con pocos recursos. La elección depende ante todo de tus lenguas objetivo y de tus limitaciones de hardware. Revisa los 249 modelos indexados en el catálogo quelllm.fr o utiliza el configurador para encontrar el modelo adecuado para tu GPU y tus casos de uso.