SPHINX (Llama 2 13B) TPS kalkulátor

Otevřít váhy Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University 19.9B parametry November 2023

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

293 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Quadro K6000

12 GB · Q3_K_M · 14.1 tok/s

Nejrychlejší karta

B200

170 tok/s · 180 GB

Které GPU mohou spustit SPHINX (Llama 2 13B)?

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.

293 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
170 tok/s 102–272 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	22.0 GB	Q8_0	Pohodlný
170 tok/s 102–272 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	22.0 GB	Q8_0	Pohodlný
136 tok/s 82–218 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	22.0 GB	Q8_0	Pohodlný
136 tok/s 82–218 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	22.0 GB	Q8_0	Pohodlný
109 tok/s 65–174 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	22.0 GB	Q8_0	Pohodlný
104 tok/s 62–167 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	22.0 GB	Q8_0	Pohodlný
104 tok/s 62–167 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	22.0 GB	Q8_0	Pohodlný
99.6 tok/s 60–159 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	22.0 GB	Q8_0	Pohodlný
88.4 tok/s 53–141 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Pohodlný
88.4 tok/s 53–141 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Pohodlný
88.4 tok/s 53–141 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Pohodlný
83.9 tok/s 50–134 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	22.0 GB	Q8_0	Pohodlný
71.5 tok/s 43–114 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Pohodlný
71.5 tok/s 43–114 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	22.0 GB	Q8_0	Pohodlný
71.5 tok/s 43–114 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Pohodlný
71.5 tok/s 43–114 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Pohodlný
71.5 tok/s 43–114 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Pohodlný
55.5 tok/s 33–89 · nízká důvěra	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	12.7 GB	Q4_K_M	Těsný
54.5 tok/s 33–87 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	22.0 GB	Q8_0	Pohodlný
54.5 tok/s 33–87 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	22.0 GB	Q8_0	Pohodlný
52.4 tok/s 31–84 · nízká důvěra	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.4 GB	Q3_K_M	Těsný
52.4 tok/s 31–84 · nízká důvěra	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.4 GB	Q3_K_M	Těsný
47.2 tok/s 28–75 · nízká důvěra	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	12.7 GB	Q4_K_M	Těsný
45.4 tok/s 27–73 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	22.0 GB	Q8_0	Pohodlný
44.4 tok/s 27–71 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	22.0 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: Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University
Typ organizace: Academia,Academia,Academia
Země: China, Hong Kong
Publikováno: 13 November 2023
Autoři: Ziyi Lin, Chris Liu, Renrui Zhang, Peng Gao, Longtian Qiu, Han Xiao, Han Qiu, Chen Lin, Wenqi Shao, Keqin Chen, Jiaming Han, Siyuan Huang, Yichi Zhang, Xuming He, Hongsheng Li, Yu Qiao

Co to dělá

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

Doména: Vision, Language, Multimodal
Úkol: Visual question answering, Image captioning
Základní model: Llama 2-13B
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: 19.9B
Výcviková data: 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 × 10²² FLOP
Jak bylo ustanoveno: Hardware
Ladění výpočtů: 4 × 10²¹ FLOP

Tréninkový běh

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

Tréninkový hardware: NVIDIA A100 SXM4 40 GB
Používané čipy: 32
Čip-hodiny: 9,280
Doba reálného času: 290 hours (12.1 days)
Příkon: 25.4 kW
Náklady na výpočet: $239,189

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: Alpha-VLLM

Jak je to klasifikováno

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

Proč je to sledováno: SOTA improvement
Záznam důvěry: Likely

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: SPHINX: The Joint Mixing of Weights, Tasks, and Visual Embeddings for Multi-modal Large Language Models
Nap poslední aktualizace: 11 February 2026

Extrémy

Deset nejrychlejších GPU, které běží SPHINX (Llama 2 13B)

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 SPHINX (Llama 2 13B)

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

Quadro K6000

Potřeba paměti

10.4 GB

Nejrychlejší

170 tok/s

SPHINX (Llama 2 13B) dosahuje počtu parametrů 19.9B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 293.

Vstupní bod je Quadro K6000, s kapacitou VRAM 12 GB, spuštění na kompresi Q3_K_M a vyrábějí kolem 14.1 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je B200, generování přibližně 170 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

SPHINX (Llama 2 13B) byl zveřejněn Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University, v zemi zaznamenané jako China, během November 2023. Vydavatelská organizace je kategorizována jako academia,Academia,Academia.

funguje v oblasti Vision, Language, Multimodal, a je zaznamenán jako vykonávající úkol visual question answering, Image captioning.

Místo toho, aby byl trénován od nuly, je odvozen z Llama 2-13B. To je důvod, proč sdílí obecný tvar a velikost základního modelu.

Váhy jsou zveřejněny, takže si je můžete stáhnout a spustit na své vlastní hardwaru neomezeně, offline, bez připojeného účtu. Na Hugging Face je publikováno pod organizací Alpha-VLLM.

Porozumění rychlostem

Mediánový výsledek je kolem 20.7 tokens za sekundu. Překračující rychlost čtení rovnou: 248 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.

Paměť zde je odhadována podle velikosti, spíše než aby byla vypočtena z architektury, která není pro tento model zaznamenána — čísla jsou spíše indikativní než přesná.

Co bylo zapotřebí k jeho vybudování

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 3 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA A100 SXM4 40 GB. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.

Krok za krokem

Jak vybrat GPU pro SPHINX (Llama 2 13B)

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

Každá KARTA zde byla zkontrolována proti SPHINX (Llama 2 13B), potřebující kolem 10.4 GB při kompresi Q3_K_M. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
02

Rozhodněte, jak dlouho vaše konverzace běží

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. SPHINX (Llama 2 13B).
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

Hodnoťte podle propustnosti spíše než podle specifikace

Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro SPHINX (Llama 2 13B). Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 170 tok/s
05

Podívejte se na rezervu, ne jen na padnutí

Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě SPHINX (Llama 2 13B). 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 SPHINX (Llama 2 13B).

Odpovědi

SPHINX (Llama 2 13B) — běžné otázky

SPHINX (Llama 2 13B)— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q3_K_M, používající přibližně 10.4 GB a generováním zhruba 52.4 tokenů za sekundu. Fit je těsný.

SPHINX (Llama 2 13B)— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q4_K_M, používající přibližně 12.7 GB a generováním zhruba 55.5 tokenů za sekundu. Fit je těsný.

SPHINX (Llama 2 13B)— mohu to spustit na GPU držící 24 GB?

Ano. GPU kartu GeForce RTX 5090 D V2, držení 24 GB, provozuje ho při kompresi Q6_K, používající přibližně 17.4 GB a generováním zhruba 41.4 tokenů za sekundu. Fit je pohodlný.

SPHINX (Llama 2 13B)— 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.

SPHINX (Llama 2 13B)— kolik má parametrů?

Má počet parametrů 19.9B. SPHINX + Llama 2 13B SPHINX component involves four vision encoders: - CLIP - ViT - CLIP - ConvNeXt V2 (89M to 659M params, depending on size) - DinoV2 - ViT (22M to 1.14B params, depending on size) - Q-former (188M params) Also involves to projection networks Huggingface Hub model files appear to be 39.8GB. Assuming models are stored in fp16 there are 2 bytes per parameter, so 39.8 / 2 = 19.9B parameters. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

SPHINX (Llama 2 13B)— Kdo to vytvořil?

Bylo to publikováno společností Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University, zakládající se na China, organizace zařazená jako academia,Academia,Academia.

SPHINX (Llama 2 13B)— Kdy byl vydán?

Bylo to zveřejněno v November 2023. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

SPHINX (Llama 2 13B)— K čemu se to používá?

funguje v oblasti Vision, Language, Multimodal, a je zaznamenáno jako zpracovávající úkol visual question answering, Image captioning. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

SPHINX (Llama 2 13B)— kde si to mohu stáhnout?

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

SPHINX (Llama 2 13B)— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 3 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA A100 SXM4 40 GB. 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.

SPHINX (Llama 2 13B)— 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. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 2.8 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

SPHINX (Llama 2 13B)— 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: 293. Takže druhá karta je tu zřídka odpovědí.

SPHINX (Llama 2 13B)— 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: 4. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

SPHINX (Llama 2 13B)— 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: 102–272 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

SPHINX (Llama 2 13B)— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Quadro K6000, s kapacitou VRAM 12 GB. Spouští model při kompresi Q3_K_M používající přibližně 10.4 GB, a produkuje přibližně 14.1 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 293.

SPHINX (Llama 2 13B)— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 170 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 248.

SPHINX (Llama 2 13B)— kolik VRAM potřebuje?

Potřebuje asi 10.4 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.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 11 February 2026

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