Llama-2-Chinese 13B TPS kalkulátor

Otevřít váhy FlagAlpha 13B parametry June 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

295 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

GeForce GTX 1080 Ti

11 GB · Q3_K_M · 36.2 tok/s

Nejrychlejší karta

B200

261 tok/s · 180 GB

Které GPU mohou spustit Llama-2-Chinese 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.

295 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
261 tok/s 222–313	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	16.9 GB	Q8_0	Pohodlný
261 tok/s 222–313	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	16.9 GB	Q8_0	Pohodlný
208 tok/s 125–333 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	16.9 GB	Q8_0	Pohodlný
208 tok/s 125–333 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	16.9 GB	Q8_0	Pohodlný
166 tok/s 100–266 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	16.9 GB	Q8_0	Pohodlný
159 tok/s 135–191	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.9 GB	Q8_0	Pohodlný
159 tok/s 135–191	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.9 GB	Q8_0	Pohodlný
152 tok/s 91–244 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	16.9 GB	Q8_0	Pohodlný
135 tok/s 81–217 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	16.9 GB	Q8_0	Pohodlný
135 tok/s 81–217 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	16.9 GB	Q8_0	Pohodlný
135 tok/s 81–217 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	16.9 GB	Q8_0	Pohodlný
128 tok/s 109–154	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	16.9 GB	Q8_0	Pohodlný
109 tok/s 93–131	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Pohodlný
109 tok/s 93–131	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	16.9 GB	Q8_0	Pohodlný
109 tok/s 93–131	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Pohodlný
109 tok/s 93–131	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Pohodlný
109 tok/s 93–131	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Pohodlný
83.4 tok/s 50–133 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	16.9 GB	Q8_0	Pohodlný
83.4 tok/s 50–133 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	16.9 GB	Q8_0	Pohodlný
73.0 tok/s 62–88	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.1 GB	IQ4_XS	Těsný
73.0 tok/s 62–88	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.1 GB	IQ4_XS	Těsný
69.5 tok/s 42–111 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	16.9 GB	Q8_0	Pohodlný
68.0 tok/s 41–109 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	16.9 GB	Q8_0	Pohodlný
66.5 tok/s 56–80	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	16.9 GB	Q8_0	Pohodlný
66.5 tok/s 56–80	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	16.9 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: FlagAlpha
Typ organizace: Research collective
Země: China
Publikováno: 25 June 2023

Co to dělá

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

Doména: Language
Úkol: Language modeling/generation, Question answering, Code generation, Quantitative reasoning
Základní model: Llama 2-13B

Velikost

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

parametry: 13B
Výcviková data: tokens

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 (unrestricted)
Tréninkový kód: Open (non-commercial)

Jak je to klasifikováno

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

Záznam důvěry: Likely

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Llama-2-Chinese 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 Llama-2-Chinese 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

GeForce GTX 1080 Ti

Potřeba paměti

9.4 GB

Nejrychlejší

261 tok/s

Llama-2-Chinese 13B dosahuje počtu parametrů 13B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 295.

Vstupní bod je GeForce GTX 1080 Ti, s kapacitou VRAM 11 GB, spuštění na kompresi Q3_K_M a vyrábějí kolem 36.2 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 261 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

Llama-2-Chinese 13B byl zveřejněn FlagAlpha, v zemi zaznamenané jako China, během June 2023. Kategorie, do které vydavatel spadá, je research collective.

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

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

Otevřené váhy jsou to, co dává této stránce místo v kalkulátoru spíše než pouze v katalogu: je to model, který můžeš skutečně držet.

Jak rychle to běží a proč

Mediánový výsledek je kolem 24.2 tokenů za sekundu. Producing text faster than most people read it: 258 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.

Krok za krokem

Jak vybrat GPU pro Llama-2-Chinese 13B

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

Tabulka uvádí každou kartu, která je schopna pojmout Llama-2-Chinese 13B, potřebující kolem 9.4 GB při kompresi Q3_K_M. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
02

Přizpůsobte kontext svému skutečnému použití

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-Chinese 13B.
03

Rozhodněte, jaké množství komprese přijmete

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

Třídit podle rychlosti

Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro Llama-2-Chinese 13B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 261 tok/s
05

Přečtěte si poslední sloupec fit

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

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 Llama-2-Chinese 13B.

Odpovědi

Llama-2-Chinese 13B — běžné otázky

Llama-2-Chinese 13B— kolik VRAM potřebuje?

Potřebuje asi 9.4 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.

Llama-2-Chinese 13B— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi IQ4_XS, používající přibližně 10.1 GB a generováním zhruba 73.0 tokenů za sekundu. Fit je těsný.

Llama-2-Chinese 13B— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q6_K, používající přibližně 13.9 GB a generováním zhruba 53.5 tokenů za sekundu. Fit je těsný.

Llama-2-Chinese 13B— 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 16.9 GB a generováním zhruba 43.7 tokenů za sekundu. Fit je pohodlný.

Llama-2-Chinese 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.

Llama-2-Chinese 13B— kolik má parametrů?

Má počet parametrů 13B. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Llama-2-Chinese 13B— Kdo to vytvořil?

Bylo to publikováno společností FlagAlpha, zakládající se na China, organizace zařazená jako research collective.

Llama-2-Chinese 13B— Kdy byl vydán?

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

Llama-2-Chinese 13B— K čemu se to používá?

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

Llama-2-Chinese 13B— 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.

Llama-2-Chinese 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 1.9 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Llama-2-Chinese 13B— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 295. Takže druhá karta je tu zřídka odpovědí.

Llama-2-Chinese 13B— 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.

Llama-2-Chinese 13B— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 222–313 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Llama-2-Chinese 13B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je GeForce GTX 1080 Ti, s kapacitou VRAM 11 GB. Spouští model při kompresi Q3_K_M používající přibližně 9.4 GB, a produkuje přibližně 36.2 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 295.

Llama-2-Chinese 13B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 261 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 258.

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