Llama 2-70B TPS kalkulátor

Otevřít váhy Meta AI 70B parametry July 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

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 Llama 2-70B?

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
Meta AI
Typ organizace
Industry
Země
United States of America
Publikováno
18 July 2023
Autoři
Hugo Touvron, Louis Martin, Kevin Stone, Peter Albert, Amjad Almahairi, Yasmine Babaei, Nikolay Bashlykov, Soumya Batra, Prajjwal Bhargava, Shruti Bhosale, Dan Bikel, Lukas Blecher, Cristian Canton Ferrer, Moya Chen, Guillem Cucurull, David Esiobu, Jude Fernandes, Jeremy Fu, Wenyin Fu, Brian Fuller, Cynthia Gao, Vedanuj Goswami, Naman Goyal, Anthony Hartshorn, Saghar Hosseini, Rui Hou, Hakan Inan,…

Co to dělá

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

Doména
Language
Úkol
Language modeling, Language modeling/generation, Question answering
Přístup
Supervised

Velikost

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

parametry
70B

Llama has been released in 7B, 13B, 34B, and 70B variants.

Výcviková data
2,000,000,000,000 tokens

[tokens] 2 trillion tokens ~= 1.5 trillion words

Epochy
1
Velikost dávky
4,000,000

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
8.1 × 10²³ FLOP

"Pretraining utilized a cumulative 3.3M GPU hours of computation on hardware of type A100-80GB" of which 1720320 GPU hours were used to train the 70B model. 311.84 BF16 TFLOP/s * 1720320 hours * 0.40 utilization = 7.725e+23 FLOP. Alternatively: the model was trained for 1 epoch on 2 trillion tokens and has 70B parameters. C = 6ND = 6*70B*2T = 8.4e+23 FLOP.

Jak bylo ustanoveno
Hardware,Operation counting

Tréninkový běh

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

Tréninkový hardware
NVIDIA A100 SXM4 80 GB
Používané čipy
1,000
Čip-hodiny
1,720,320
Doba reálného času
1,728 hours (72 days)

Model was trained from January 2023 to July 2023, which is six months. However, the training run duration did not take up this whole period. According to a Meta employee interviewed by Epoch, Llama 2 34B and 70B were trained on different clusters, with overlapping training periods. Based on an estimate of 1000 GPUs, it would have taken 72 days.

Využití hardwaru
MFU 41.9%

8.1e23 FLOPs based on 6NC method. Table 2 reports 1720320 A100 hours, which at 100% utilization would give 1720320 * 3600 * 3.12e14 = 1.932e24 FLOP MFU = 8.1e23 / 1.932e24 = 0.4192

Příkon
795.6 kW
Náklady na výpočet
$1,102,561
Datové centrum
Meta’s Research Super Cluster

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

Llama 2 license. can't use outputs to train models. https://github.com/meta-llama/llama/blob/main/LICENSE https://huggingface.co/meta-llama/Llama-2-70b

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
Historical significance,Significant use,Highly cited,Training cost

Model has been open-sourced and frequently downloaded. The paper claims that Llama 2 is the current best open-source chat model as of its release date.

Záznam důvěry
Confident
Citace
16,911

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Llama 2: Open Foundation and Fine-Tuned Chat Models
Nap poslední aktualizace
25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží Llama 2-70B

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 Llama 2-70B

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

Hardwareová stránka

Minimum karta

A100 PCIe 40 GB

Potřeba paměti

35.8 GB

Nejrychlejší

48.4 tok/s

Llama 2-70B 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.

Na nízkém konci se to řeší pomocí 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.

Pozadí

Llama 2-70B byl zveřejněn Meta AI, v zemi zaznamenané jako United States of America, během July 2023. Vydavatelská organizace je kategorizována jako industry.

funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling, Language modeling/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.

Čtení čísel propustnosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 17.1 tokens za sekundu. Překračující rychlost čtení rovnou: 49 z nich

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

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

Co bylo zapotřebí k jeho vybudování

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 8.1 × 10²³ FLOP, na hardwaru zaznamenáno jako NVIDIA A100 SXM4 80 GB. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Bylo to trénováno na korpusu asi 2,000,000,000,000 tokeny textu

Je sledováno v základním datasetu z jednoho konkrétního důvodu: historical significance,Significant use,Highly cited,Training cost.

Krok za krokem

Jak vybrat GPU pro Llama 2-70B

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.

    Začněte od toho, co skutečně potřebuje, což je požadavek na Llama 2-70B, potřebující kolem 35.8 GB při kompresi IQ4_XS. Kapacita je brána — karta buď ji má, nebo ne.

  2. 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. Llama 2-70B.

  3. 03

    Nastavte minimální kvalitu

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

    Srovnejte TPS, ne specifikace

    Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro Llama 2-70B. 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

    Podívejte se na rezervu, ne jen na padnutí

    Sloupec vhodnosti odděluje karty, které to jen tak tak zvládají, od těch, které mají místo navíc, v případě Llama 2-70B. 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

    Otevřete kartu, na které jste se usadili.

    Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě Llama 2-70B.

Odpovědi

Llama 2-70B — běžné otázky

01

Llama 2-70B— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 61. Takže druhá karta je tu zřídka odpovědí.

02

Llama 2-70B— 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: 4. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

03

Llama 2-70B— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 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.

04

Llama 2-70B— 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.

05

Llama 2-70B— 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.

06

Llama 2-70B— 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.

07

Llama 2-70B— 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.

08

Llama 2-70B— kolik má parametrů?

Má počet parametrů 70B. Llama has been released in 7B, 13B, 34B, and 70B variants. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

09

Llama 2-70B— Kdo to vytvořil?

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

10

Llama 2-70B— Kdy byl vydán?

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

11

Llama 2-70B— K čemu se to používá?

funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling, Language modeling/generation, Question answering. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

12

Llama 2-70B— 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.

13

Llama 2-70B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 8.1 × 10²³ FLOP, na hardwaru zaznamenáno jako NVIDIA A100 SXM4 80 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.

14

Llama 2-70B— 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.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 25 May 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