Me Llama 70B TPS kalkulátor

Otevřít váhy Yale School of Medicine,University of Florida,University of Texas Health Science Center 70B 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

61 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

A100 PCIe 40 GB

40 GB · IQ4_XS · 23.2 tok/s

Nejrychlejší karta

B200

48.4 tok/s · 180 GB

Které GPU mohou spustit Me Llama 70B?

Nastavte vstupy, přečtěte si odpověď

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

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

61 karty odpovídají

Vypočítávání
Potřebuje Kvantisace Pohodlné
48.4 tok/s

41–58

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 72.5 GB Q8_0 Pohodlný
48.4 tok/s

41–58

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 72.5 GB Q8_0 Pohodlný
38.7 tok/s

23–62 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 72.5 GB Q8_0 Pohodlný
38.7 tok/s

23–62 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 72.5 GB Q8_0 Pohodlný
30.9 tok/s

19–49 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 72.5 GB Q8_0 Pohodlný
29.6 tok/s

25–36

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 72.5 GB Q8_0 Pohodlný
29.6 tok/s

25–36

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 72.5 GB Q8_0 Pohodlný
29.5 tok/s

25–35

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 56.2 GB Q6_K Pohodlný
29.5 tok/s

25–35

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 56.2 GB Q6_K Pohodlný
28.3 tok/s

17–45 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 72.5 GB Q8_0 Pohodlný
26.1 tok/s

22–31

GRID A100B NVIDIA 48 GB 1,870 GB/s May 2020 39.9 GB Q4_K_M Těsný
25.1 tok/s

15–40 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 72.5 GB Q8_0 Pohodlný
25.1 tok/s

15–40 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 72.5 GB Q8_0 Pohodlný
25.1 tok/s

15–40 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 72.5 GB Q8_0 Pohodlný
23.8 tok/s

20–29

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 72.5 GB Q8_0 Těsný
23.2 tok/s

20–28

A100 PCIe 40 GB NVIDIA 40 GB 1,560 GB/s Jun 2020 35.8 GB IQ4_XS Těsný
23.2 tok/s

20–28

A100 SXM4 40 GB NVIDIA 40 GB 1,560 GB/s May 2020 35.8 GB IQ4_XS Těsný
23.2 tok/s

20–28

A800 PCIe 40 GB NVIDIA 40 GB 1,560 GB/s Nov 2022 35.8 GB IQ4_XS Těsný
20.3 tok/s

17–24

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 72.5 GB Q8_0 Těsný
20.3 tok/s

17–24

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 72.5 GB Q8_0 Těsný
20.3 tok/s

17–24

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 72.5 GB Q8_0 Těsný
18.7 tok/s

16–22

RTX PRO 5000 Blackwell NVIDIA 48 GB 1,340 GB/s Mar 2025 39.9 GB Q4_K_M Těsný
17.9 tok/s

15–22

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 56.2 GB Q6_K Pohodlný
17.9 tok/s

15–22

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 56.2 GB Q6_K Pohodlný
17.9 tok/s

15–22

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 56.2 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
Yale School of Medicine,University of Florida,University of Texas Health Science Center
Typ organizace
Academia,Academia,Academia
Země
United States of America
Publikováno
20 February 2024
Autoři
Qianqian Xie, Qingyu Chen, Aokun Chen, Cheng Peng, Yan Hu, Fongci Lin, Xueqing Peng, Jimin Huang, Jeffrey Zhang, Vipina Keloth, Xinyu Zhou, Lingfei Qian, Huan He, Dennis Shung, Lucila Ohno-Machado, Yonghui Wu, Hua Xu, Jiang Bian

Co to dělá

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

Doména
Language, Medicine
Úkol
Language modeling/generation, Question answering, Medical diagnosis, Named entity recognition (NER), Text classification, Text summarization
Základní model
Llama 2-70B
Číselný formát
BF16

Velikost

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

parametry
70B

70B

Výcviková data
129,000,000,000 tokens

"129B pre-training tokens and 214K instruction tuning samples from diverse biomedical and clinical data sources"

Epochy
1

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.

Jak bylo ustanoveno
Operation counting,Hardware
Ladění výpočtů
4.3 × 10²² FLOP

6 FLOP / parameter / token * 70 * 10^9 parameters * 129 * 10^9 pre-training tokens [instruction-tuning is negligible] = 5.418e+22 FLOP 312000000000000 FLOP / GPU / sec [A100, bf16] * 100000 GPU-hours * 3600 sec/ hour * 0.3 [assumed utilization] = 3.3696e+22 FLOP sqrt(3.3696e+22 * 5.418e+22) = 4.2727617e+22 FLOP

Tréninkový běh

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

Tréninkový hardware
NVIDIA A100 SXM4 80 GB
Čip-hodiny
100,000

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 (non-commercial)
Tréninkový kód
Unreleased

MIT license + llama 2 restirctions + PhysioNet Credentialed Health DUA 1.5.0 https://github.com/BIDS-Xu-Lab/Me-LLaMA

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
Me LLaMA: Foundation Large Language Models for Medical Applications
Nap poslední aktualizace
28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Me Llama 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..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 48.4 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 48.4 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 38.7 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 38.7 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 30.9 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 29.6 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 29.6 tok/s
  8. 08 H800 SXM5 80 GB · 3,360 GB/s · Q6_K 29.5 tok/s
  9. 09 H100 SXM5 80 GB 80 GB · 3,360 GB/s · Q6_K 29.5 tok/s
  10. 10 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 28.3 tok/s

Nejmenší GPU, které ještě běží Me Llama 70B

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

  1. 01 A800 PCIe 40 GB 40 GB · Potřebuje 35.8 GB · IQ4_XS · Těsný 23.2 tok/s
  2. 02 A100 PCIe 40 GB 40 GB · Potřebuje 35.8 GB · IQ4_XS · Těsný 23.2 tok/s
  3. 03 A100 SXM4 40 GB 40 GB · Potřebuje 35.8 GB · IQ4_XS · Těsný 23.2 tok/s
  4. 04 Radeon PRO W7900D 48 GB · Potřebuje 39.9 GB · Q4_K_M · Těsný 9.4 tok/s
  5. 05 RTX PRO 5000 Blackwell 48 GB · Potřebuje 39.9 GB · Q4_K_M · Těsný 18.7 tok/s
  6. 06 RTX 5880 Ada Generation 48 GB · Potřebuje 39.9 GB · Q4_K_M · Těsný 12.1 tok/s
  7. 07 L20 48 GB · Potřebuje 39.9 GB · Q4_K_M · Těsný 12.1 tok/s
  8. 08 Radeon PRO W7800 48 GB 48 GB · Potřebuje 39.9 GB · Q4_K_M · Těsný 9.4 tok/s
  9. 09 Radeon PRO W7900 48 GB · Potřebuje 39.9 GB · Q4_K_M · Těsný 9.4 tok/s
  10. 10 Data Center GPU Max 1100 48 GB · Potřebuje 39.9 GB · Q4_K_M · Těsný 11.2 tok/s

Co čísla znamenají

Hardwarové požadavky v praxi

Minimum karta

A100 PCIe 40 GB

Potřeba paměti

35.8 GB

Nejrychlejší

48.4 tok/s

Me Llama 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 IQ4_XS a vyrábějí kolem 23.2 tokenů za sekundu

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

O tomto modelu

Me Llama 70B byl zveřejněn Yale School of Medicine,University of Florida,University of Texas Health Science Center, v zemi zaznamenané jako United States of America, během February 2024. Kategorie, do které vydavatel spadá, je academia,Academia,Academia.

funguje v oblasti Language, Medicine, a je zaznamenán jako vykonávající úkol language modeling/generation, Question answering, Medical diagnosis, Named entity recognition (NER), Text classification, Text summarization.

Staví na Llama 2-70B. Většina modelů na této úrovni je přizpůsobena z existující základny namísto toho, aby byla vytvořena od nuly.

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

Jak rychle to běží a proč

Mediánový výsledek je kolem 17.1 tokenů za sekundu. Producing text faster than most people read it: 49 z nich

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

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

Co bylo zapotřebí k jeho vybudování

Trénink spotřeboval korpus kolem 129,000,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro Me Llama 70B

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

  1. 01

    Zkontrolujte, co to potřebuje před čímkoli jiným.

    Každá KARTA zde byla zkontrolována proti Me Llama 70B, potřebující kolem 35.8 GB při kompresi IQ4_XS. Kapacita je brána — karta buď ji má, nebo ne.

  2. 02

    Nastavte délku kontextu, se kterou budete pracovat

    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. Me Llama 70B.

  3. 03

    Vyberte, jak moc to budete komprimovat.

    Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., dosahující komprese IQ4_XS 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.

  4. 04

    Hodnoťte podle propustnosti spíše než podle specifikace

    Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro Me Llama 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

  5. 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 Me Llama 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.

  6. 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. Me Llama 70B.

Odpovědi

Me Llama 70B — běžné otázky

01

Me Llama 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.

02

Me Llama 70B— kolik VRAM potřebuje?

Potřebuje asi 35.8 GB při kompresi IQ4_XS, 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.

03

Me Llama 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.

04

Me Llama 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.

05

Me Llama 70B— Kdo to vytvořil?

Bylo to publikováno společností Yale School of Medicine,University of Florida,University of Texas Health Science Center, zakládající se na United States of America, organizace zařazená jako academia,Academia,Academia.

06

Me Llama 70B— 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.

07

Me Llama 70B— K čemu se to používá?

funguje v oblasti Language, Medicine, a je zaznamenáno jako zpracovávající úkol language modeling/generation, Question answering, Medical diagnosis, Named entity recognition (NER), Text classification, Text summarization. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

08

Me Llama 70B— 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.

09

Me Llama 70B— 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 11.1 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

10

Me Llama 70B— 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: 61. Takže druhá karta je tu zřídka odpovědí.

11

Me Llama 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.

12

Me Llama 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.

13

Me Llama 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 IQ4_XS používající přibližně 35.8 GB, a produkuje přibližně 23.2 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 61.

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