DataGemma TPS kalkulátor

Otevřít váhy Google 27.2B parametry September 2024

Každá karta níže je hodnocena podle tohoto modelu na základě délky kontextu a minimální kvality, kterou si zvolíte. Rychlost je odhad pro jednotlivý požadavek, vypočítaná z paměťové šířky karty a velikosti modelu po kompresi..

Vypočteno pro tento model

132 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

RTX A4500

20 GB · Q4_K_M · 23.0 tok/s

Nejrychlejší karta

B200

125 tok/s · 180 GB

Které GPU mohou spustit DataGemma?

Nastavte vstupy, přečtěte si odpověď

Délka kontextu tokeny

Delší konverzace potřebuje více paměti, což může tento model vytlačit z menších karet..

Minimální kvalita

Skrývá karty, které by se do modelu vešly pouze jeho stlačením pod tento bod.

Hledat karty

Paměť karty

Také zobrazit karty, které to nemohou spustit.

132 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
125 tok/s 106–149	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	30.3 GB	Q8_0	Pohodlný
125 tok/s 106–149	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	30.3 GB	Q8_0	Pohodlný
99.5 tok/s 60–159 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	30.3 GB	Q8_0	Pohodlný
99.5 tok/s 60–159 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	30.3 GB	Q8_0	Pohodlný
79.6 tok/s 48–127 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	30.3 GB	Q8_0	Pohodlný
76.1 tok/s 65–91	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	30.3 GB	Q8_0	Pohodlný
76.1 tok/s 65–91	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	30.3 GB	Q8_0	Pohodlný
72.9 tok/s 44–117 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	30.3 GB	Q8_0	Pohodlný
64.7 tok/s 39–103 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	30.3 GB	Q8_0	Pohodlný
64.7 tok/s 39–103 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	30.3 GB	Q8_0	Pohodlný
64.7 tok/s 39–103 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	30.3 GB	Q8_0	Pohodlný
61.4 tok/s 52–74	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	30.3 GB	Q8_0	Pohodlný
52.3 tok/s 44–63	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	30.3 GB	Q8_0	Pohodlný
52.3 tok/s 44–63	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	30.3 GB	Q8_0	Pohodlný
52.3 tok/s 44–63	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	30.3 GB	Q8_0	Pohodlný
52.3 tok/s 44–63	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	30.3 GB	Q8_0	Pohodlný
52.3 tok/s 44–63	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	30.3 GB	Q8_0	Pohodlný
42.3 tok/s 36–51	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	23.9 GB	Q6_K	Pohodlný
42.3 tok/s 36–51	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	23.9 GB	Q6_K	Pohodlný
40.5 tok/s 34–49	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.9 GB	Q6_K	Pohodlný
40.5 tok/s 34–49	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.9 GB	Q6_K	Pohodlný
39.8 tok/s 24–64 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	30.3 GB	Q8_0	Pohodlný
39.8 tok/s 24–64 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	30.3 GB	Q8_0	Pohodlný
37.3 tok/s 32–45	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.8 GB	Q5_K_M	Těsný
33.9 tok/s 29–41	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.8 GB	Q5_K_M	Těsný

Rychlosti jsou odhady pro jednoho žadatele — jednu konverzaci najednou — vypočítané z šířky pásma paměti, velikosti modelu a kvantizace. Skutečný průchod se liší s výkonem inference a jeho verzí. Čísla zveřejněná výrobci hardwaru měří mnoho simultánních požadavků a jsou mnohem vyšší..

Na záznamu

Plná specifikace

Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..

Původ

Kdo vytvořil tento model, kde a kdy byl publikován.

Organizace: Google
Typ organizace: Industry
Země: United States of America
Publikováno: 12 September 2024
Autoři: Prashanth Radhakrishnan, Jennifer Chen, Bo Xu, Prem Ramaswami, Hannah Pho, Adriana Olmos, James Manyika, R. V. Guha

Co to dělá

Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.

Doména: Language
Úkol: Language modeling/generation
Základní model: Gemma 2 27B

Velikost

Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.

parametry: 27.2B
Výcviková data: tokens

Tréninkový běh

Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.

Tréninkový hardware: Google TPU v5e

Dostupnost

Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.

Hmotnosti: Open — downloadable
Přístup k modelu: Open weights (restricted use)

Jak je to klasifikováno

Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.

Záznam důvěry: Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Knowing When to Ask -- Bridging Large Language Models and Data
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží DataGemma

Seřazeno podle odhadovaných tokenů za sekundu, nejnovější karta první, kde se rychlosti shodují. Protože generování je omezeno šířkou pásma paměti, toto řazení následuje šířku pásma spíše než jakýkoli herní benchmark..

Nejmenší GPU, které ještě běží DataGemma

Nejlevnější cesta dovnitř, podle kapacity paměti. Těsný fit spustí model, ale nenechá nic navíc na delší konverzaci..

Co čísla znamenají

Hardwareová stránka

Minimum karta

RTX A4500

Potřeba paměti

17.6 GB

Nejrychlejší

125 tok/s

DataGemma dosahuje počtu parametrů 27.2B. To přistane v oblasti, kterou může zvládnout seriózní desktopová KARTA, jakmile jsou VÁHY zkomprimovány. Počet KARET, které sledujeme a které to mohou spustit: 132.

Na nízkém konci se to řeší pomocí RTX A4500, s kapacitou VRAM 20 GB, spuštění na kompresi Q4_K_M a vyrábějí kolem 23.0 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 125 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Pozadí

DataGemma byl zveřejněn Google, v zemi zaznamenané jako United States of America, během September 2024. Vydavatelská organizace je kategorizována jako industry.

funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling/generation.

Místo toho, aby byl trénován od nuly, je odvozen z Gemma 2 27B. To je důvod, proč sdílí obecný tvar a velikost základního modelu.

Otevřené váhy jsou to, co dává této stránce místo v kalkulátoru spíše než pouze v katalogu: je to model, který můžeš skutečně držet.

Čtení čísel propustnosti

Polovina karet, které to drží, zvládne více než 21.5 tokenů za sekundu 112 z nich

Každá váha se účastní každého tokenu zde, takže šířka pásma je celá historie: hodnocení níže je ve skutečnosti hodnocením propustnosti paměti.

Jeho rozložení pozornosti je v naší databázi, takže hodnoty VRAM jsou vypočítány přesně místo přibližně.

Krok za krokem

Jak vybrat GPU pro DataGemma

Stůl výše již posoudil každou kartu, pro kterou máme specifikace, proti tomuto modelu. Dostání se k vaší odpovědi trvá šest kroků.

01

Zkontrolujte, co to potřebuje před čímkoli jiným.

Tabulka uvádí každou kartu, která je schopna pojmout DataGemma, potřebující kolem 17.6 GB při kompresi Q4_K_M. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
02

Přizpůsobte kontext svému skutečnému použití

Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro DataGemma.
03

Vyberte, jak moc to budete komprimovat.

Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., dosahující komprese Q4_K_M na nejmenší kartě, která se vejde. Nastavení minimální kvality odstraňuje karty, které pouze splňují tuto kvalitu tím, že ji dále stlačují více, než byste chtěli, a udržuje srovnání na jedné úrovni.
04

Srovnejte TPS, ne specifikace

Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro DataGemma. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 125 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě DataGemma. Pohodlný znamená, že můžete později zvětšit kontext. Ten rozdíl má větší význam než pár tokenů za sekundu, takže kupte pro pohodlné, pokud to očekáváte.
06

Zkontrolujte kartu z druhé strany

Sledování KARTY až na její vlastní stránku ukazuje každý jiný model, který může držet, což je otázka, která následuje, jakmile se rozhodnete pro DataGemma.

Odpovědi

DataGemma — běžné otázky

DataGemma— K čemu se to používá?

funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling/generation. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

DataGemma— kde si to mohu stáhnout?

Váhy jsou zveřejněny, i když nemáme odkaz na repozitář. Tato stránka vypočítává hardwarové požadavky spíše než aby hostila modelové soubory.

DataGemma— Mohu to spustit, pokud se to nevejde do mé GPU?

Pouze přenosem, což je obvykle falešná ekonomika: část držená v paměti systému zpomaluje celé to. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 3.2 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

DataGemma— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 132. Takže druhá karta je tu zřídka odpovědí.

DataGemma— proč se kvantizace liší mezi kartami?

Větší karta obsahuje přesnější kopii. Počet úrovní komprese používaných na kartách, které ji provádějí: 4. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

DataGemma— Jak přesné jsou tyto odhady rychlosti?

Každé číslo je odvozeno od šířky pásma VRAM a velikosti modelu, není benchmarkováno, což je důvod, proč je každé publikováno jako rozsah spíše než jako jediné číslo. Jeden příklad: 106–149 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

DataGemma— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je RTX A4500, s kapacitou VRAM 20 GB. Spouští model při kompresi Q4_K_M používající přibližně 17.6 GB, a produkuje přibližně 23.0 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 132.

DataGemma— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 125 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 112.

DataGemma— kolik VRAM potřebuje?

Potřebuje asi 17.6 GB při kompresi Q4_K_M, která je ta nejmenší karta, která to používá. Méně komprese vyžaduje více: čísla ve sloupci paměti výše jsou přepočítána pro každou kartu, protože každá drží nejméně komprimovanou verzi, kterou může.

DataGemma— mohu to spustit na GPU držící 24 GB?

Ano. GPU kartu GeForce RTX 5090 D V2, držení 24 GB, provozuje ho při kompresi Q5_K_M, používající přibližně 20.8 GB a generováním zhruba 37.3 tokenů za sekundu. Fit je těsný.

DataGemma— Je to OPEN SOURCE?

Jeho váhy jsou zveřejněny, takže si je lze stáhnout a spustit na vlastním hardwaru. Všimněte si, že open WEIGHTS není totéž co open SOURCE v plném smyslu — neříká nic o tréninkových datech, tréninkovém kódu nebo obchodních podmínkách připojených.

DataGemma— kolik má parametrů?

Má počet parametrů 27.2B. 27.2B. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

DataGemma— Kdo to vytvořil?

Bylo to publikováno společností Google, zakládající se na United States of America, organizace zařazená jako industry.

DataGemma— Kdy byl vydán?

Bylo to zveřejněno v September 2024. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 28 November 2025

Druhý směr

Díváte se na to z druhé strany?

Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.

Všechny AI modely