Llama 3-8B TPS kalkulátor

Otevřít váhy Meta AI 8B parametry April 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

582 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Quadro 6000

6 GB · Q3_K_M · 17.4 tok/s

Nejrychlejší karta

B200

424 tok/s · 180 GB

Které GPU mohou spustit Llama 3-8B?

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.

582 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
424 tok/s 360–508	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	9.8 GB	Q8_0	Pohodlný
424 tok/s 360–508	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	9.8 GB	Q8_0	Pohodlný
338 tok/s 203–541 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	9.8 GB	Q8_0	Pohodlný
338 tok/s 203–541 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	9.8 GB	Q8_0	Pohodlný
270 tok/s 162–433 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	9.8 GB	Q8_0	Pohodlný
259 tok/s 220–311	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.8 GB	Q8_0	Pohodlný
259 tok/s 220–311	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.8 GB	Q8_0	Pohodlný
248 tok/s 149–396 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	9.8 GB	Q8_0	Pohodlný
220 tok/s 132–352 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Pohodlný
220 tok/s 132–352 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Pohodlný
220 tok/s 132–352 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Pohodlný
209 tok/s 177–250	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	9.8 GB	Q8_0	Pohodlný
178 tok/s 151–213	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Pohodlný
178 tok/s 151–213	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	9.8 GB	Q8_0	Pohodlný
178 tok/s 151–213	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Pohodlný
178 tok/s 151–213	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Pohodlný
178 tok/s 151–213	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Pohodlný
141 tok/s 120–169	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.0 GB	Q5_K_M	Těsný
135 tok/s 81–217 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	9.8 GB	Q8_0	Pohodlný
135 tok/s 81–217 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	9.8 GB	Q8_0	Pohodlný
120 tok/s 102–144	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	7.9 GB	Q6_K	Těsný
113 tok/s 68–181 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	9.8 GB	Q8_0	Pohodlný
110 tok/s 66–177 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	9.8 GB	Q8_0	Pohodlný
108 tok/s 92–130	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	9.8 GB	Q8_0	Pohodlný
108 tok/s 92–130	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	9.8 GB	Q8_0	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: 18 April 2024
Autoři: Aaditya Singh; Aaron Grattafiori; Abhimanyu Dubey; Abhinav Jauhri; Abhinav Pandey; Abhishek Kadian; Adam Kelsey; Adi Gangidi; Ahmad Al-Dahle; Amit Sangani; Ahuva Goldstand; Aiesha Letman; Ajay Menon; Akhil Mathur; Alan Schelten; Alex Vaughan; Amy Yang; Andrei Lupu; Andres Alvarado; Andrew Gallagher; Andrew Gu; Andrew Ho; Andrew Poulton; Andrew Ryan; Angela Fan; Ankit Ramchandani; Anthony Hartshorn…

Co to dělá

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

Doména: Language
Úkol: Chat, Language modeling/generation, Code generation, Question answering

Velikost

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

parametry: 8B
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: 7.2 × 10²³ FLOP
Jak bylo ustanoveno: Operation counting

Tréninkový běh

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

Tréninkový hardware: NVIDIA H100 SXM5 80GB
Čip-hodiny: 1,300,000

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: Unreleased
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: Significant use
Záznam důvěry: Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Introducing Meta Llama 3: The most capable openly available LLM to date
Nap poslední aktualizace: 18 December 2025

Extrémy

Deset nejrychlejších GPU, které běží Llama 3-8B

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 3-8B

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

Co čísla znamenají

Hardwareová stránka

Minimum karta

Quadro 6000

Potřeba paměti

5.1 GB

Nejrychlejší

424 tok/s

Llama 3-8B dosahuje počtu parametrů 8B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 582.

Na nízkém konci se to řeší pomocí Quadro 6000, s kapacitou VRAM 6 GB, spuštění na kompresi Q3_K_M a vyrábějí kolem 17.4 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je B200, generování přibližně 424 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

Llama 3-8B byl zveřejněn Meta AI, v zemi zaznamenané jako United States of America, během April 2024. Vydavatelská organizace je kategorizována jako industry.

funguje v oblasti Language, a je zaznamenán jako vykonávající úkol chat, Language modeling/generation, Code generation, Question answering.

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.

Jak rychle to běží a proč

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 23.8 tokenů za sekundu. Producing text faster than most people read it: 551 z nich

Je to hustý model, takže každý parametr je čten pro každý token vyprodukovaný. To dělá rychlost téměř přesně sledovat paměťovou šířku pásma — karta s dvojnásobnou šířkou pásma generuje přibližně dvojnásobně rychle.

Protože je architektura zaznamenaná, sloupec paměti je odvozen spíše než odhadován.

Jak bylo trénováno

Trenovací běh spotřeboval asi 7.2 × 10²³ FLOP, na hardwaru zaznamenáno jako NVIDIA H100 SXM5 80GB. 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: significant use.

Krok za krokem

Jak vybrat GPU pro Llama 3-8B

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.

Každá KARTA zde byla zkontrolována proti Llama 3-8B, potřebující kolem 5.1 GB při kompresi Q3_K_M. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
02

Přizpůsobte kontext svému skutečnému použití

Nastavte kontext na to, co skutečně použijete. Cache roste s konverzací a to je obvyklý důvod, proč karta, která se zdála v pořádku, přestane vejít. Llama 3-8B.
03

Rozhodněte, jaké množství komprese přijmete

Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., 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

Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. Llama 3-8B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 424 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

Sloupec vhodnosti odděluje karty, které to jen tak tak zvládají, od těch, které mají místo navíc, v případě Llama 3-8B. 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

Podívejte se, co dalšího ta karta spouští

Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě Llama 3-8B.

Odpovědi

Llama 3-8B — běžné otázky

Llama 3-8B— K čemu se to používá?

funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol chat, Language modeling/generation, Code generation, Question answering. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.

Llama 3-8B— 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 3-8B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 7.2 × 10²³ FLOP, na hardwaru zaznamenáno jako NVIDIA H100 SXM5 80GB. 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 3-8B— 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 1.5 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Llama 3-8B— 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: 582. Takže druhá karta je tu zřídka odpovědí.

Llama 3-8B— 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 3-8B— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 360–508 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 3-8B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Quadro 6000, s kapacitou VRAM 6 GB. Spouští model při kompresi Q3_K_M používající přibližně 5.1 GB, a produkuje přibližně 17.4 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 582.

Llama 3-8B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 424 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 551.

Llama 3-8B— kolik VRAM potřebuje?

Potřebuje asi 5.1 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 3-8B— mohu to spustit na GPU držící 8 GB?

Ano. GPU kartu CMP 170HX 8 GB, držení 8 GB, provozuje ho při kompresi Q5_K_M, používající přibližně 7.0 GB a generováním zhruba 141 tokenů za sekundu. Fit je těsný.

Llama 3-8B— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q8_0, používající přibližně 9.8 GB a generováním zhruba 48.3 tokenů za sekundu. Fit je těsný.

Llama 3-8B— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q8_0, používající přibližně 9.8 GB a generováním zhruba 59.8 tokenů za sekundu. Fit je pohodlný.

Llama 3-8B— mohu to spustit na GPU držící 24 GB?

Ano. GPU kartu GeForce RTX 5090 D V2, držení 24 GB, provozuje ho při kompresi Q8_0, používající přibližně 9.8 GB a generováním zhruba 70.9 tokenů za sekundu. Fit je pohodlný.

Llama 3-8B— 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 3-8B— kolik má parametrů?

Má počet parametrů 8B. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Llama 3-8B— Kdo to vytvořil?

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

Llama 3-8B— Kdy byl vydán?

Bylo to zveřejněno v April 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 18 December 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