Gemma 7B TPS kalkulátor

Otevřít váhy Google DeepMind 8.5B parametry February 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

306 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

P102-101

10 GB · Q4_K_M · 31.2 tok/s

Nejrychlejší karta

B200

397 tok/s · 180 GB

Které GPU mohou spustit Gemma 7B?

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.

306 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
397 tok/s 337–476	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	12.8 GB	Q8_0	Pohodlný
397 tok/s 337–476	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	12.8 GB	Q8_0	Pohodlný
317 tok/s 190–507 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	12.8 GB	Q8_0	Pohodlný
317 tok/s 190–507 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	12.8 GB	Q8_0	Pohodlný
253 tok/s 152–405 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	12.8 GB	Q8_0	Pohodlný
243 tok/s 206–291	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	12.8 GB	Q8_0	Pohodlný
243 tok/s 206–291	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	12.8 GB	Q8_0	Pohodlný
232 tok/s 139–371 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	12.8 GB	Q8_0	Pohodlný
206 tok/s 124–330 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	12.8 GB	Q8_0	Pohodlný
206 tok/s 124–330 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	12.8 GB	Q8_0	Pohodlný
206 tok/s 124–330 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	12.8 GB	Q8_0	Pohodlný
195 tok/s 166–235	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	12.8 GB	Q8_0	Pohodlný
179 tok/s 152–214	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.8 GB	Q4_K_M	Těsný
167 tok/s 142–200	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	12.8 GB	Q8_0	Pohodlný
167 tok/s 142–200	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	12.8 GB	Q8_0	Pohodlný
167 tok/s 142–200	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	12.8 GB	Q8_0	Pohodlný
167 tok/s 142–200	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	12.8 GB	Q8_0	Pohodlný
167 tok/s 142–200	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	12.8 GB	Q8_0	Pohodlný
127 tok/s 76–203 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	12.8 GB	Q8_0	Pohodlný
127 tok/s 76–203 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	12.8 GB	Q8_0	Pohodlný
106 tok/s 63–169 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	12.8 GB	Q8_0	Pohodlný
104 tok/s 62–166 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	12.8 GB	Q8_0	Pohodlný
101 tok/s 86–121	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	12.8 GB	Q8_0	Pohodlný
101 tok/s 86–121	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	12.8 GB	Q8_0	Pohodlný
101 tok/s 86–121	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	12.8 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: Google DeepMind
Typ organizace: Industry
Země: United States of America
Publikováno: 21 February 2024
Autoři: Gemma Team, Google DeepMind

Co to dělá

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

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

Velikost

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

parametry: 8.5B
Výcviková data: 6,000,000,000,000 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: 3.1 × 10²³ FLOP
Jak bylo ustanoveno: Operation counting,Hardware

Tréninkový běh

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

Tréninkový hardware: Google TPU v5e
Používané čipy: 4,096
Příkon: 1.8 MW

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

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
Záznam důvěry: Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Gemma: Open Models Based on Gemini Research and Technology
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Gemma 7B

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 Gemma 7B

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

Co čísla znamenají

Co potřebujete k tomu, abyste to spustili

Minimum karta

P102-101

Potřeba paměti

8.8 GB

Nejrychlejší

397 tok/s

Gemma 7B dosahuje počtu parametrů 8.5B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 306.

Nejmenší hardware, který funguje, je P102-101, s kapacitou VRAM 10 GB, spuštění na kompresi Q4_K_M a vyrábějí kolem 31.2 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 397 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

Gemma 7B byl zveřejněn Google DeepMind, v zemi zaznamenané jako United States of America, během February 2024. Vychází z organizace, která je kategorizována jako industry.

funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling/generation, Chat, Code generation, Question answering, Quantitative reasoning.

Protože byly jeho váhy uvolněny, nic ohledně jeho spuštění nezávisí na dostupnosti poskytovatele - je to vaše, jakmile je stáhnuto.

Co rozhoduje o rychlosti

Polovina karet, které to drží, zvládne více než 30.4 tokenů za sekundu 282 z nich

Být hustý, čte vše sám po tokenu, což je důvod, proč pořadí podle rychlosti níže úzce následuje pořadí podle šířky pásma VRAM.

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

Trénink a původ

Trénování si vyžádalo výpočetní rozpočet přibližně 3.1 × 10²³ FLOP, na hardwaru zaznamenáno jako Google TPU v5e. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Trénink spotřeboval korpus kolem 6,000,000,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro Gemma 7B

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 Gemma 7B, potřebující kolem 8.8 GB při kompresi Q4_K_M. Kapacita je brána — karta buď ji má, nebo ne.
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. Gemma 7B.
03

Nastavte minimální kvalitu

Kompresce je to, co umožňuje modelu pojmout menší KARTY, za určitou cenu v přesnosti., 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

Hodnoťte podle propustnosti spíše než podle specifikace

Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. Gemma 7B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 397 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 Gemma 7B. 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

Každý název karty odkazuje na její vlastní stránku, která provádí stejný výpočet v celém katalogu modelů. Karta se obvykle kupuje pro více než jeden model, takže se vyplatí se podívat před tím, než koupíte. Gemma 7B.

Odpovědi

Gemma 7B — běžné otázky

Gemma 7B— Kdy byl vydán?

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

Gemma 7B— K čemu se to používá?

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

Gemma 7B— 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.

Gemma 7B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 3.1 × 10²³ FLOP, na hardwaru zaznamenáno jako Google TPU v5e. 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.

Gemma 7B— 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 1.6 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Gemma 7B— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 306. Takže druhá karta je tu zřídka odpovědí.

Gemma 7B— proč se kvantizace liší mezi kartami?

Protože se kapacita liší, liší se i to, jak moc musí být stlačena. Počet odlišných úrovní v tabulce výše: 3. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Gemma 7B— 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: 337–476 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Gemma 7B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je P102-101, s kapacitou VRAM 10 GB. Spouští model při kompresi Q4_K_M používající přibližně 8.8 GB, a produkuje přibližně 31.2 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 306.

Gemma 7B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 397 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 282.

Gemma 7B— kolik VRAM potřebuje?

Potřebuje asi 8.8 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.

Gemma 7B— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q5_K_M, používající přibližně 9.8 GB a generováním zhruba 80.8 tokenů za sekundu. Fit je těsný.

Gemma 7B— 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 12.8 GB a generováním zhruba 56.1 tokenů za sekundu. Fit je těsný.

Gemma 7B— 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 12.8 GB a generováním zhruba 66.5 tokenů za sekundu. Fit je pohodlný.

Gemma 7B— 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.

Gemma 7B— kolik má parametrů?

Má počet parametrů 8.5B. Table 2, sum of embedding and non-embedding parameters. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Gemma 7B— Kdo to vytvořil?

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

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