Gemma 2B TPS kalkulátor

Otevřít váhy Google DeepMind 2.5B 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

818 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Tesla C1080

4 GB · Q8_0 · 14.7 tok/s

Nejrychlejší karta

B200

1,352 tok/s · 180 GB

Které GPU mohou spustit Gemma 2B?

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.

818 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
1,352 tok/s 1,149–1,622	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.4 GB	Q8_0	Pohodlný
1,352 tok/s 1,149–1,622	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.4 GB	Q8_0	Pohodlný
1,079 tok/s 648–1,727 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.4 GB	Q8_0	Pohodlný
1,079 tok/s 648–1,727 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.4 GB	Q8_0	Pohodlný
863 tok/s 518–1,381 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.4 GB	Q8_0	Pohodlný
826 tok/s 702–992	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.4 GB	Q8_0	Pohodlný
826 tok/s 702–992	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.4 GB	Q8_0	Pohodlný
791 tok/s 474–1,265 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.4 GB	Q8_0	Pohodlný
702 tok/s 421–1,123 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.4 GB	Q8_0	Pohodlný
702 tok/s 421–1,123 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.4 GB	Q8_0	Pohodlný
702 tok/s 421–1,123 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.4 GB	Q8_0	Pohodlný
666 tok/s 566–799	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.4 GB	Q8_0	Pohodlný
568 tok/s 483–681	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.4 GB	Q8_0	Pohodlný
568 tok/s 483–681	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.4 GB	Q8_0	Pohodlný
568 tok/s 483–681	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.4 GB	Q8_0	Pohodlný
568 tok/s 483–681	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.4 GB	Q8_0	Pohodlný
568 tok/s 483–681	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.4 GB	Q8_0	Pohodlný
432 tok/s 259–692 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.4 GB	Q8_0	Pohodlný
432 tok/s 259–692 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.4 GB	Q8_0	Pohodlný
360 tok/s 216–576 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.4 GB	Q8_0	Pohodlný
353 tok/s 212–564 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.4 GB	Q8_0	Pohodlný
345 tok/s 293–414	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.4 GB	Q8_0	Pohodlný
345 tok/s 293–414	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.4 GB	Q8_0	Pohodlný
345 tok/s 293–414	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.4 GB	Q8_0	Pohodlný
345 tok/s 293–414	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.4 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: 2.5B
Výcviková data: 3,000,000,000,000 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: 4.5 × 10²² 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: Google TPU v5e
Používané čipy: 512
Příkon: 228.0 kW

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.

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 2B

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 2B

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

Co čísla znamenají

Co je potřeba k provozování tohoto modelu

Minimum karta

Tesla C1080

Potřeba paměti

3.4 GB

Nejrychlejší

1,352 tok/s

Gemma 2B dosahuje počtu parametrů 2.5B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Nejmenší karta, která to pojme, je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 14.7 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 1,352 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

Gemma 2B 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.

Zveřejněné váhy znamenají, že model běží na vašem stroji, nikoli na stroji někoho jiného, což činí otázku ohledně hardwaru níže odpovídatelnou.

Co rozhoduje o rychlosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 38.0 tokenů za sekundu 783 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.

Co bylo zapotřebí k jeho vybudování

Trenovací běh spotřeboval asi 4.5 × 10²² 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 3,000,000,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro Gemma 2B

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

01

Přečtěte si nejprve číslo paměti

Začněte od toho, co skutečně potřebuje, což je požadavek na Gemma 2B, potřebující kolem 3.4 GB při kompresi Q8_0. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
02

Rozhodněte, jak dlouho vaše konverzace běží

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 2B.
03

Rozhodněte, jaké množství komprese přijmete

Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., dosahující komprese Q8_0 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. Gemma 2B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 1,352 tok/s
05

Podívejte se na rezervu, ne jen na padnutí

Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě Gemma 2B. 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

Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě Gemma 2B.

Odpovědi

Gemma 2B — běžné otázky

Gemma 2B— Mohu to spustit, pokud se to nevejde do mé GPU?

Částečně. Vrstvy, které se nevejdou, sedí v systémové paměti a běží jen při zlomku rychlosti, takže většinou odložený model není často použitelný. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Gemma 2B— Běhalo by to rychleji na dvou GPU?

Druhá karta přibližně zdvojnásobí dostupnou paměť, ale ne rychlost generování. Počet, který je již schopen ji spustit sám: 818. Takže druhá karta je tu zřídka odpovědí.

Gemma 2B— proč se kvantizace liší mezi kartami?

Každá KARTA je zobrazena, jak běží nejméně komprimovaná kopie, kterou může udržet. Počet různých úrovní komprese napříč KARTAMI, které ji vejít: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Gemma 2B— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 1,149–1,622 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 2B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Tesla C1080, s kapacitou VRAM 4 GB. Spouští model při kompresi Q8_0 používající přibližně 3.4 GB, a produkuje přibližně 14.7 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

Gemma 2B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 1,352 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 783.

Gemma 2B— kolik VRAM potřebuje?

Potřebuje asi 3.4 GB při kompresi Q8_0, 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 2B— mohu to spustit na GPU držící 8 GB?

Ano. GPU kartu CMP 170HX 8 GB, držení 8 GB, provozuje ho při kompresi Q8_0, používající přibližně 3.4 GB a generováním zhruba 252 tokenů za sekundu. Fit je pohodlný.

Gemma 2B— 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 3.4 GB a generováním zhruba 154 tokenů za sekundu. Fit je pohodlný.

Gemma 2B— 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 3.4 GB a generováním zhruba 191 tokenů za sekundu. Fit je pohodlný.

Gemma 2B— 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 3.4 GB a generováním zhruba 226 tokenů za sekundu. Fit je pohodlný.

Gemma 2B— 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 2B— kolik má parametrů?

Má počet parametrů 2.5B. Table 2, sum of embedding and non-embedding parameters: 2B 524,550,144 + 1,981,884,416 = 2506434560. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Gemma 2B— Kdo to vytvořil?

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

Gemma 2B— 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 2B— 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. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.

Gemma 2B— 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 2B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 4.5 × 10²² 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.

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