EVA-CLIP (EVA-02-CLIP-E/14+) TPS kalkulátor

Otevřít váhy Beijing Academy of Artificial Intelligence / BAAI,Huazhong University of Science and Technology 5B parametry March 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

818 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Tesla C1080

4 GB · IQ4_XS · 18.1 tok/s

Nejrychlejší karta

B200

678 tok/s · 180 GB

Které GPU mohou spustit EVA-CLIP (EVA-02-CLIP-E/14+)?

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.

818 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
678 tok/s 407–1,084 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	6.1 GB	Q8_0	Pohodlný
678 tok/s 407–1,084 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	6.1 GB	Q8_0	Pohodlný
541 tok/s 325–866 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	6.1 GB	Q8_0	Pohodlný
541 tok/s 325–866 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	6.1 GB	Q8_0	Pohodlný
433 tok/s 260–692 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	6.1 GB	Q8_0	Pohodlný
414 tok/s 249–663 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	6.1 GB	Q8_0	Pohodlný
414 tok/s 249–663 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	6.1 GB	Q8_0	Pohodlný
396 tok/s 238–634 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	6.1 GB	Q8_0	Pohodlný
352 tok/s 211–563 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	6.1 GB	Q8_0	Pohodlný
352 tok/s 211–563 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	6.1 GB	Q8_0	Pohodlný
352 tok/s 211–563 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	6.1 GB	Q8_0	Pohodlný
334 tok/s 200–534 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	6.1 GB	Q8_0	Pohodlný
285 tok/s 171–455 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	6.1 GB	Q8_0	Pohodlný
285 tok/s 171–455 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	6.1 GB	Q8_0	Pohodlný
285 tok/s 171–455 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	6.1 GB	Q8_0	Pohodlný
285 tok/s 171–455 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	6.1 GB	Q8_0	Pohodlný
285 tok/s 171–455 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	6.1 GB	Q8_0	Pohodlný
217 tok/s 130–347 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	6.1 GB	Q8_0	Pohodlný
217 tok/s 130–347 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	6.1 GB	Q8_0	Pohodlný
181 tok/s 108–289 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	6.1 GB	Q8_0	Pohodlný
177 tok/s 106–283 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	6.1 GB	Q8_0	Pohodlný
173 tok/s 104–276 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	6.1 GB	Q8_0	Pohodlný
173 tok/s 104–276 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	6.1 GB	Q8_0	Pohodlný
173 tok/s 104–276 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	6.1 GB	Q8_0	Pohodlný
173 tok/s 104–276 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	6.1 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: Beijing Academy of Artificial Intelligence / BAAI,Huazhong University of Science and Technology
Typ organizace: Academia,Academia
Země: China
Publikováno: 27 March 2023
Autoři: Quan Sun, Yuxin Fang, Ledell Wu, Xinlong Wang, Yue Cao

Co to dělá

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

Doména: Vision
Úkol: Image classification
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: 5B
Výcviková data: tokens
Velikost dávky: 144,000

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: 3.5 × 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: NVIDIA RTX A1000
Používané čipy: 144
Příkon: 17.2 kW

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
Hugging Face: QuanSun

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: EVA-CLIP: Improved Training Techniques for CLIP at Scale
Nap poslední aktualizace: 11 February 2026

Extrémy

Deset nejrychlejších GPU, které běží EVA-CLIP (EVA-02-CLIP-E/14+)

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 EVA-CLIP (EVA-02-CLIP-E/14+)

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

Co čísla znamenají

Hardwareová stránka

Minimum karta

Tesla C1080

Potřeba paměti

3.4 GB

Nejrychlejší

678 tok/s

EVA-CLIP (EVA-02-CLIP-E/14+) dosahuje počtu parametrů 5B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Na nízkém konci se to řeší pomocí Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi IQ4_XS a vyrábějí kolem 18.1 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je B200, generování přibližně 678 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

EVA-CLIP (EVA-02-CLIP-E/14+) byl zveřejněn Beijing Academy of Artificial Intelligence / BAAI,Huazhong University of Science and Technology, v zemi zaznamenané jako China, během March 2023. Kategorie, do které vydavatel spadá, je academia,Academia.

funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification.

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 QuanSun.

Jak rychle to běží a proč

Mediánový výsledek je kolem 27.1 tokenů za sekundu. Producing text faster than most people read it: 771 z nich

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

Jeho vnitřní architektura není v evidenci, takže paměť je přibližně odhadnuta z počtu parametrů a označena odpovídajícím způsobem. Očekávejte, že skutečná čísla se budou lišit, zejména u dlouhého kontextu.

Trénink a původ

Trenovací běh spotřeboval asi 3.5 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA RTX A1000. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Krok za krokem

Jak vybrat GPU pro EVA-CLIP (EVA-02-CLIP-E/14+)

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

01

Zkontrolujte, co to potřebuje před čímkoli jiným.

Začněte od toho, co skutečně potřebuje, což je požadavek na EVA-CLIP (EVA-02-CLIP-E/14+), potřebující kolem 3.4 GB při kompresi IQ4_XS. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
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. EVA-CLIP (EVA-02-CLIP-E/14+).
03

Nastavte minimální kvalitu

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

Srovnejte TPS, ne specifikace

Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. EVA-CLIP (EVA-02-CLIP-E/14+). Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 678 tok/s
05

Podívejte se na rezervu, ne jen na padnutí

Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě EVA-CLIP (EVA-02-CLIP-E/14+). 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

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. EVA-CLIP (EVA-02-CLIP-E/14+).

Odpovědi

EVA-CLIP (EVA-02-CLIP-E/14+) — běžné otázky

EVA-CLIP (EVA-02-CLIP-E/14+)— kde si to mohu stáhnout?

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

EVA-CLIP (EVA-02-CLIP-E/14+)— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 3.5 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA RTX A1000. 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.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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. Každá postava zde předpokládá, že celý model je umístěn na kartě.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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: 818. Takže druhá karta je tu zřídka odpovědí.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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: 407–1,084 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

EVA-CLIP (EVA-02-CLIP-E/14+)— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Tesla C1080, s kapacitou VRAM 4 GB. Spouští model při kompresi IQ4_XS používající přibližně 3.4 GB, a produkuje přibližně 18.1 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

EVA-CLIP (EVA-02-CLIP-E/14+)— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 678 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 771.

EVA-CLIP (EVA-02-CLIP-E/14+)— kolik VRAM potřebuje?

Potřebuje asi 3.4 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.

EVA-CLIP (EVA-02-CLIP-E/14+)— mohu to spustit na GPU držící 8 GB?

Ano. GPU kartu CMP 170HX 8 GB, držení 8 GB, provozuje ho při kompresi Q8_0, používající přibližně 6.1 GB a generováním zhruba 126 tokenů za sekundu. Fit je těsný.

EVA-CLIP (EVA-02-CLIP-E/14+)— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q8_0, používající přibližně 6.1 GB a generováním zhruba 77.3 tokenů za sekundu. Fit je pohodlný.

EVA-CLIP (EVA-02-CLIP-E/14+)— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q8_0, používající přibližně 6.1 GB a generováním zhruba 95.7 tokenů za sekundu. Fit je pohodlný.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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 6.1 GB a generováním zhruba 114 tokenů za sekundu. Fit je pohodlný.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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.

EVA-CLIP (EVA-02-CLIP-E/14+)— kolik má parametrů?

Má počet parametrů 5B. 5b (table 1(a)) image parameters: 4.4B text parameters: 695M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

EVA-CLIP (EVA-02-CLIP-E/14+)— Kdo to vytvořil?

Bylo to publikováno společností Beijing Academy of Artificial Intelligence / BAAI,Huazhong University of Science and Technology, zakládající se na China, organizace zařazená jako academia,Academia.

EVA-CLIP (EVA-02-CLIP-E/14+)— Kdy byl vydán?

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

EVA-CLIP (EVA-02-CLIP-E/14+)— K čemu se to používá?

funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

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