Llama 3.1-70B TPS kalkulátor

Otevřít váhy Meta AI 70B parametry July 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

61 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

A100 PCIe 40 GB

40 GB · Q3_K_M · 25.5 tok/s

Nejrychlejší karta

B200

48.4 tok/s · 180 GB

Které GPU mohou spustit Llama 3.1-70B?

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.

61 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
48.4 tok/s 41–58	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	73.8 GB	Q8_0	Pohodlný
48.4 tok/s 41–58	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	73.8 GB	Q8_0	Pohodlný
38.7 tok/s 23–62 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	73.8 GB	Q8_0	Pohodlný
38.7 tok/s 23–62 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	73.8 GB	Q8_0	Pohodlný
30.9 tok/s 19–49 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	73.8 GB	Q8_0	Pohodlný
29.6 tok/s 25–36	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	73.8 GB	Q8_0	Pohodlný
29.6 tok/s 25–36	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	73.8 GB	Q8_0	Pohodlný
29.5 tok/s 25–35	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	57.5 GB	Q6_K	Pohodlný
29.5 tok/s 25–35	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	57.5 GB	Q6_K	Pohodlný
28.3 tok/s 17–45 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	73.8 GB	Q8_0	Pohodlný
26.1 tok/s 22–31	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	41.2 GB	Q4_K_M	Těsný
25.5 tok/s 22–31	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	33.0 GB	Q3_K_M	Těsný
25.5 tok/s 22–31	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	33.0 GB	Q3_K_M	Těsný
25.5 tok/s 22–31	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	33.0 GB	Q3_K_M	Těsný
25.1 tok/s 15–40 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	73.8 GB	Q8_0	Pohodlný
25.1 tok/s 15–40 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	73.8 GB	Q8_0	Pohodlný
25.1 tok/s 15–40 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	73.8 GB	Q8_0	Pohodlný
23.8 tok/s 20–29	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	73.8 GB	Q8_0	Těsný
20.3 tok/s 17–24	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	73.8 GB	Q8_0	Těsný
20.3 tok/s 17–24	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	73.8 GB	Q8_0	Těsný
20.3 tok/s 17–24	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	73.8 GB	Q8_0	Těsný
18.7 tok/s 16–22	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	41.2 GB	Q4_K_M	Těsný
17.9 tok/s 15–22	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	57.5 GB	Q6_K	Pohodlný
17.9 tok/s 15–22	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	57.5 GB	Q6_K	Pohodlný
17.9 tok/s 15–22	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	57.5 GB	Q6_K	Pohodlný

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: Meta AI
Typ organizace: Industry
Země: United States of America
Publikováno: 23 July 2024
Autoři: Abhimanyu Dubey, Abhinav Jauhri, Abhinav Pandey, Abhishek Kadian, Ahmad Al-Dahle, Aiesha Letman, Alan Schelten, Amy Yang, Angela Fan, Anirudh Goyal, Anthony Hartshorn, Aobo Yang, Archi Mitra, Archie Sravankumar, Artem Korenev, Arthur Hinsvark, Arun Rao, Aston Zhang, Aurelien Rodriguez, Austen Gregerson, Ava Spataru, Baptiste Roziere, Bethany Biron, Binh Tang, Bobbie Chern, Charlotte Caucheteux, Ch…

Co to dělá

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

Doména: Language
Úkol: Language modeling/generation

Velikost

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

parametry: 70B
Výcviková data: 15,000,000,000,000 tokens

Výpočty pro trénink

Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.

Výpočty pro trénink: 7.9 × 10²⁴ FLOP
Jak bylo ustanoveno: Hardware,Operation counting

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)
Tréninkový kód: Open (restricted use)
Hugging Face: meta-llama

Jak je to klasifikováno

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

Pravděpodobně nad 10²³ FLOP: Yes
Proč je to sledováno: Training cost
Záznam důvěry: Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: The Llama 3 Herd of Models
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Llama 3.1-70B

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 Llama 3.1-70B

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

Co čísla znamenají

Hardwarové požadavky v praxi

Minimum karta

A100 PCIe 40 GB

Potřeba paměti

33.0 GB

Nejrychlejší

48.4 tok/s

Llama 3.1-70B dosahuje počtu parametrů 70B. To dává nad spotřebitelský hardware, do oblasti, kde je karta kupována za tímto účelem spíše než přepracována pro něj. Počet karet, které sledujeme a které to mohou pojmout: 61.

Vstupní bod je A100 PCIe 40 GB, s kapacitou VRAM 40 GB, spuštění na kompresi Q3_K_M a vyrábějí kolem 25.5 tokenů za sekundu

Špičkový model je B200, generování přibližně 48.4 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Pozadí

Llama 3.1-70B byl zveřejněn Meta AI, v zemi zaznamenané jako United States of America, během July 2024. Kategorie, do které vydavatel spadá, je industry.

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

Protože byly jeho váhy uvolněny, nic ohledně jeho spuštění nezávisí na dostupnosti poskytovatele - je to vaše, jakmile je stáhnuto. Na Hugging Face je publikováno pod organizací meta-llama.

Čtení čísel propustnosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 17.1 tokens za sekundu. Překračující rychlost čtení rovnou: 49 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.

Trénink a původ

Trénování si vyžádalo výpočetní rozpočet přibližně 7.9 × 10²⁴ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Tréninková sada běžela na přibližně 15,000,000,000,000 tokeny textu

Důvod, proč se to v tomto katalogu vůbec objevuje: training cost.

Krok za krokem

Jak vybrat GPU pro Llama 3.1-70B

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

01

Začněte od sloupce paměti

Začněte od toho, co skutečně potřebuje, což je požadavek na Llama 3.1-70B, potřebující kolem 33.0 GB při kompresi Q3_K_M. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
02

Přizpůsobte kontext svému skutečnému použití

Konverzace také zabírá MEMORY a roste, jak pokračuje. Nastavte posuvník na délku, kterou očekáváte, protože při dlouhém CONTEXT může být KARTA, která snadno zvládá krátké dotazy, odmítnuta. Llama 3.1-70B.
03

Nastavte minimální kvalitu

Každá KARTA spouští nejméně komprimovanou kopii, kterou může udržet., dosahující komprese Q3_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

Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro Llama 3.1-70B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 48.4 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě Llama 3.1-70B. 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

Otevřete kartu, na které jste se usadili.

Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě Llama 3.1-70B.

Odpovědi

Llama 3.1-70B — běžné otázky

Llama 3.1-70B— Běhalo by to rychleji na dvou GPU?

Dvě karty koupit paměť spíše než rychlost, což záleží pouze pokud jedna karta to nemůže udržet. Číslo, které může: 61. Takže druhá karta je tu zřídka odpovědí.

Llama 3.1-70B— 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.

Llama 3.1-70B— Jak přesné jsou tyto odhady rychlosti?

Toto jsou odhady s reálnými chybami a kterýkoli z nich může rozumně spadnout kamkoli v jeho publikovaném rozmezí v závislosti na tom, který run AI model použijete. Nejrychlejší výsledek zde: 41–58 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Llama 3.1-70B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je A100 PCIe 40 GB, s kapacitou VRAM 40 GB. Spouští model při kompresi Q3_K_M používající přibližně 33.0 GB, a produkuje přibližně 25.5 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 61.

Llama 3.1-70B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 48.4 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 49.

Llama 3.1-70B— kolik VRAM potřebuje?

Potřebuje asi 33.0 GB při kompresi Q3_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.

Llama 3.1-70B— 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.

Llama 3.1-70B— kolik má parametrů?

Má počet parametrů 70B. 70B. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Llama 3.1-70B— Kdo to vytvořil?

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

Llama 3.1-70B— Kdy byl vydán?

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

Llama 3.1-70B— 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.

Llama 3.1-70B— kde si to mohu stáhnout?

Jeho váhy jsou publikovány na Hugging Face, pod organizací meta-llama. Na našem webu nenabízíme soubory modelů — tento web vypočítává, jaký hardware je potřebný pro jejich spuštění.

Llama 3.1-70B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 7.9 × 10²⁴ FLOP. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.

Llama 3.1-70B— Mohu to spustit, pokud se to nevejde do mé GPU?

Může být rozdělen mezi GPU kartu a systémovou paměť, ale v tomto případě se generuje bolestivě pomalu. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 12.4 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

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