OpenLLaMA-13B TPS kalkulátor

Otevřít váhy OpenLM Research 13B parametry May 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

306 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

P102-101

10 GB · IQ4_XS · 21.8 tok/s

Nejrychlejší karta

B200

261 tok/s · 180 GB

Které GPU mohou spustit OpenLLaMA-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.

306 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
261 tok/s 222–313	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	15.4 GB	Q8_0	Pohodlný
261 tok/s 222–313	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	15.4 GB	Q8_0	Pohodlný
208 tok/s 125–333 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	15.4 GB	Q8_0	Pohodlný
208 tok/s 125–333 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	15.4 GB	Q8_0	Pohodlný
166 tok/s 100–266 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	15.4 GB	Q8_0	Pohodlný
159 tok/s 135–191	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	15.4 GB	Q8_0	Pohodlný
159 tok/s 135–191	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	15.4 GB	Q8_0	Pohodlný
152 tok/s 91–244 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	15.4 GB	Q8_0	Pohodlný
135 tok/s 81–217 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	15.4 GB	Q8_0	Pohodlný
135 tok/s 81–217 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	15.4 GB	Q8_0	Pohodlný
135 tok/s 81–217 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	15.4 GB	Q8_0	Pohodlný
128 tok/s 109–154	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	15.4 GB	Q8_0	Pohodlný
125 tok/s 106–150	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.6 GB	IQ4_XS	Těsný
109 tok/s 93–131	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	15.4 GB	Q8_0	Pohodlný
109 tok/s 93–131	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	15.4 GB	Q8_0	Pohodlný
109 tok/s 93–131	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	15.4 GB	Q8_0	Pohodlný
109 tok/s 93–131	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	15.4 GB	Q8_0	Pohodlný
109 tok/s 93–131	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	15.4 GB	Q8_0	Pohodlný
83.4 tok/s 50–133 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	15.4 GB	Q8_0	Pohodlný
83.4 tok/s 50–133 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	15.4 GB	Q8_0	Pohodlný
69.5 tok/s 42–111 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	15.4 GB	Q8_0	Pohodlný
68.6 tok/s 58–82	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	9.3 GB	Q4_K_M	Těsný
68.6 tok/s 58–82	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	9.3 GB	Q4_K_M	Těsný
68.0 tok/s 41–109 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	15.4 GB	Q8_0	Pohodlný
66.5 tok/s 56–80	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	15.4 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: OpenLM Research
Typ organizace: Research collective
Země: United States of America
Publikováno: 1 May 2023
Autoři: Xinyang Geng, Hao Liu

Co to dělá

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

Doména: Language
Úkol: Language modeling/generation, Question answering

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: 1,000,000,000,000 tokens
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.

Výpočty pro trénink: 7.8 × 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 v4

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: 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: OpenLLaMA: An Open Reproduction of LLaMA
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží OpenLLaMA-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 OpenLLaMA-13B

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

P102-101

Potřeba paměti

8.6 GB

Nejrychlejší

261 tok/s

OpenLLaMA-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: 306.

Nejmenší karta, která to pojme, je P102-101, s kapacitou VRAM 10 GB, spuštění na kompresi IQ4_XS a vyrábějí kolem 21.8 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 261 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Pozadí

OpenLLaMA-13B byl zveřejněn OpenLM Research, v zemi zaznamenané jako United States of America, během May 2023. Vychází z organizace, která je kategorizována jako research collective.

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

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

Čtení čísel propustnosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 24.3 tokenů za sekundu 269 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.

Trénink a původ

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 7.8 × 10²² FLOP, na hardwaru zaznamenáno jako Google TPU v4. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Tréninková sada běžela na přibližně 1,000,000,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro OpenLLaMA-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

Každá KARTA zde byla zkontrolována proti OpenLLaMA-13B, potřebující kolem 8.6 GB při kompresi IQ4_XS. 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. OpenLLaMA-13B.
03

Vyberte, jak moc to budete komprimovat.

Každá KARTA spouští nejméně komprimovanou kopii, kterou může udržet., 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.
04

Hodnoťte podle propustnosti spíše než podle specifikace

Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro OpenLLaMA-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

Zkontrolujte verdikt o vhodnosti před koupí

Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě OpenLLaMA-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

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. OpenLLaMA-13B.

Odpovědi

OpenLLaMA-13B — běžné otázky

OpenLLaMA-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: 306. Takže druhá karta je tu zřídka odpovědí.

OpenLLaMA-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.

OpenLLaMA-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.

OpenLLaMA-13B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je P102-101, s kapacitou VRAM 10 GB. Spouští model při kompresi IQ4_XS používající přibližně 8.6 GB, a produkuje přibližně 21.8 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 306.

OpenLLaMA-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: 269.

OpenLLaMA-13B— kolik VRAM potřebuje?

Potřebuje asi 8.6 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.

OpenLLaMA-13B— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q4_K_M, používající přibližně 9.3 GB a generováním zhruba 68.6 tokenů za sekundu. Fit je těsný.

OpenLLaMA-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 12.3 GB a generováním zhruba 53.5 tokenů za sekundu. Fit je těsný.

OpenLLaMA-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 15.4 GB a generováním zhruba 43.7 tokenů za sekundu. Fit je pohodlný.

OpenLLaMA-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.

OpenLLaMA-13B— kolik má parametrů?

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

OpenLLaMA-13B— Kdo to vytvořil?

Bylo to publikováno společností OpenLM Research, zakládající se na United States of America, organizace zařazená jako research collective.

OpenLLaMA-13B— Kdy byl vydán?

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

OpenLLaMA-13B— K čemu se to používá?

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

OpenLLaMA-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.

OpenLLaMA-13B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 7.8 × 10²² FLOP, na hardwaru zaznamenáno jako Google TPU v4. 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.

OpenLLaMA-13B— Mohu to spustit, pokud se to nevejde do mé GPU?

Může být rozdělen mezi GPU kartu a systémovou paměť, ale v tomto případě se generuje bolestivě pomalu. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 2.1 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

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