Mistral 7B en un Mac de 16 GB con Ollama
# Mistral 7B en un Mac de 16 GB con Ollama code: diaafq | type: inference | language: es | licence: MIT | version: v1 description: Modelfile de Ollama para ejecutar Mistral 7B Instruct en local en un Mac de 16 GB: cuantización Q4, contexto de 8k, respuestas en español. page: https://contextetech.com/es/inferencia/mistral-7b-ollama-mac-16gb-es-diaafq mcp: connect https://contextetech.com/mcp then call load_resource with code "diaafq" (or ask "load diaafq") json: https://contextetech.com/api/resources/contextetech--mistral-7b-ollama-mac-16gb-es python: pip install contexte && contexte get diaafq citation (required by the licence): contextetech. (2026). Mistral 7B en un Mac de 16 GB con Ollama (Version 1) [Config. de inferencia]. Contexte Tech. https://contextetech.com/es/inferencia/mistral-7b-ollama-mac-16gb-es-diaafq
Modelfile de Ollama para ejecutar Mistral 7B Instruct en local en un Mac de 16 GB: cuantización Q4, contexto de 8k, respuestas en español.
| Modelo | mistral:7b-instruct-q4_K_M |
|---|---|
| Hardware probado | Mac con Apple Silicon y 16 GB de memoria |
Modelfile
FROM mistral:7b-instruct-q4_K_M PARAMETER num_ctx 8192 PARAMETER temperature 0.3 SYSTEM """Eres un asistente que responde en español, de forma clara y concisa. Si no lo sabes, dilo."""
Comando de lanzamiento
ollama create mistral-es -f Modelfile && ollama run mistral-es
- Identificador
- contextetech--mistral-7b-ollama-mac-16gb-es
- Archivo
- Modelfile
- Formato
- MODELFILE
- Tamaño
- 186 bytes
- Codificación
- UTF-8
- Tokens estimados
- ≈ 51
- Uso comercial
- Permitido
- Datos personales
- Ninguno
- Versión
- 1.0
- Publicado el
- 3 de octubre de 2026 a las 5:20
- Actualizado el
- 16 de octubre de 2026 a las 23:19
- Almacenamiento
- en base de datos
Estadísticas
Me gusta : 0 · Comentarios : 0
Haz clic en un contador para mostrarlo u ocultarlo; pasa el ratón por el gráfico para ver el detalle. Una visita por visitante y día, sin robots; recuento iniciado el 30 de septiembre de 2026.
Coste estimado
- Tokens de entrada por llamada
- ≈ 192
| Modelo | Por llamada | Al mes |
|---|---|---|
| GPT-6 Luna · OpenAImejor precio | 0,00002 € | 0,02 € |
| DeepSeek Flash · DeepSeek | 0,00005 € | 0,05 € |
| Mistral Large · Mistral AI | 0,00009 € | 0,09 € |
| DeepSeek V4 Pro · DeepSeek | 0,00022 € | 0,22 € |
| GPT-6 Sol · OpenAI | 0,00034 € | 0,34 € |
| Claude Sonnet 5.5 · Anthropic | 0,00034 € | 0,34 € |
| Claude Opus 5.5 · Anthropic | 0,00068 € | 0,68 € |
| Modelo de código abierto autoalojado (Ollama, vLLM) | 0 € de API (solo el coste del servidor) | |
Solo coste de entrada, sin la respuesta del modelo. Precios públicos estándar de los proveedores (Mistral AI, DeepSeek, OpenAI, Anthropic) convertidos de USD a euros al tipo del BCE del 13 de octubre de 2026. Estimación: 1 token ≈ 3,6 caracteres.
Común a las 3 regiones
Contenido creado por el autor, sin fuente externa.
Uso comercial permitido · citar al autor · modificaciones permitidas.
Solo texto o datos: ningún acceso a archivos, red ni comandos.
Alojado en Francia (Scaleway, París). Ninguna transferencia fuera de la UE.
Unión Europea · 5/5
Sin datos personales.
Sin datos de entrenamiento: no hay que aportar resumen.
Estados Unidos · 5/5
Sin datos personales.
Sin datos de entrenamiento: no hay documentación que publicar.
China · 5/5
Sin datos personales.
Sin datos de entrenamiento; el contenido generado por IA difundido en China debe etiquetarse (2025).
Síntesis orientativa a 30/09/2026, sin valor de certificación jurídica. Método y fuentes →
Calidad del contenido
Rendimiento no medido: ni velocidad medida ni prueba superada
El detalle de los criterios está reservado a los miembros.
Cada criterio, los puntos restados y un consejo para corregirlo.
Análisis del contenido
El detalle de los criterios está reservado a los miembros.
Cada criterio, los puntos restados y un consejo para corregirlo.
Calculado a partir del contenido de la ficha, mediante reglas, sin IA. La nota está en la pestaña Calidad.
MCP contexte
https://contextetech.com/mcp
carga diaafq
Añade la dirección como conector en los ajustes de tus aplicaciones de IA y envía la petición de arriba.
API
import json, urllib.request url = "https://contextetech.com/api/resources/contextetech--mistral-7b-ollama-mac-16gb-es" fiche = json.load(urllib.request.urlopen(url)) print(fiche["title"] or fiche["name"])
Modelfile
FROM mistral:7b-instruct-q4_K_M PARAMETER num_ctx 8192 PARAMETER temperature 0.3 SYSTEM """Eres un asistente que responde en español, de forma clara y concisa. Si no lo sabes, dilo."""
Comando de lanzamiento
ollama create mistral-es -f Modelfile && ollama run mistral-es
Crear el modelo (Ollama)
# enregistrez le Modelfile, puis : ollama create mistral-7b-ollama-mac-16gb-es -f Modelfile ollama run mistral-7b-ollama-mac-16gb-es
Comunidad
Aún no hay comentarios. Comparte tu opinión, ayudará a los siguientes.