LLaMA-33B TPS kalkulátor

Otevřít váhy Meta AI 32.5B parametry February 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

132 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

RTX A4500

20 GB · Q3_K_M · 22.5 tok/s

Nejrychlejší karta

B200

104 tok/s · 180 GB

Které GPU mohou spustit LLaMA-33B?

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.

132 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
104 tok/s 89–125	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	36.5 GB	Q8_0	Pohodlný
104 tok/s 89–125	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	36.5 GB	Q8_0	Pohodlný
83.3 tok/s 50–133 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	36.5 GB	Q8_0	Pohodlný
83.3 tok/s 50–133 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	36.5 GB	Q8_0	Pohodlný
66.6 tok/s 40–107 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	36.5 GB	Q8_0	Pohodlný
63.7 tok/s 54–76	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	36.5 GB	Q8_0	Pohodlný
63.7 tok/s 54–76	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	36.5 GB	Q8_0	Pohodlný
61.0 tok/s 37–98 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	36.5 GB	Q8_0	Pohodlný
54.1 tok/s 32–87 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	36.5 GB	Q8_0	Pohodlný
54.1 tok/s 32–87 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	36.5 GB	Q8_0	Pohodlný
54.1 tok/s 32–87 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	36.5 GB	Q8_0	Pohodlný
51.3 tok/s 44–62	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	36.5 GB	Q8_0	Pohodlný
43.8 tok/s 37–53	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	36.5 GB	Q8_0	Pohodlný
43.8 tok/s 37–53	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	36.5 GB	Q8_0	Pohodlný
43.8 tok/s 37–53	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	36.5 GB	Q8_0	Pohodlný
43.8 tok/s 37–53	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	36.5 GB	Q8_0	Pohodlný
43.8 tok/s 37–53	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	36.5 GB	Q8_0	Pohodlný
43.5 tok/s 37–52	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	25.2 GB	Q5_K_M	Těsný
43.5 tok/s 37–52	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	25.2 GB	Q5_K_M	Těsný
41.7 tok/s 35–50	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	25.2 GB	Q5_K_M	Těsný
41.7 tok/s 35–50	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	25.2 GB	Q5_K_M	Těsný
40.3 tok/s 34–48	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	21.4 GB	Q4_K_M	Těsný
36.7 tok/s 31–44	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	21.4 GB	Q4_K_M	Těsný
33.3 tok/s 20–53 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	36.5 GB	Q8_0	Pohodlný
33.3 tok/s 20–53 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	36.5 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: Meta AI
Typ organizace: Industry
Země: United States of America
Publikováno: 27 February 2023
Autoři: Hugo Touvron, Thibaut Lavril, Gautier Izacard, Xavier Martinet, Marie-Anne Lachaux, Timothée Lacroix, Baptiste Rozière, Naman Goyal, Eric Hambro, Faisal Azhar, Aurelien Rodriguez, Armand Joulin, Edouard Grave, Guillaume Lample

Co to dělá

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

Doména: Language
Úkol: Language modeling, Code generation, 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: 32.5B
Výcviková data: 1,400,000,000,000 tokens
Epochy: 1.04
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: 2.7 × 10²³ FLOP
Jak bylo ustanoveno: Operation counting

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 (non-commercial)
Tréninkový kód: Unreleased

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
Záznam důvěry: Confident
Citace: 19,926
Benchmark data: LLaMA-33B

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: LLaMA: Open and Efficient Foundation Language Models
Nap poslední aktualizace: 25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží LLaMA-33B

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-33B

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

Co čísla znamenají

Co potřebujete k tomu, abyste to spustili

Minimum karta

RTX A4500

Potřeba paměti

17.6 GB

Nejrychlejší

104 tok/s

LLaMA-33B dosahuje počtu parametrů 32.5B. To přistane v oblasti, kterou může zvládnout seriózní desktopová KARTA, jakmile jsou VÁHY zkomprimovány. Počet KARET, které sledujeme a které to mohou spustit: 132.

Nejmenší hardware, který funguje, je RTX A4500, s kapacitou VRAM 20 GB, spuštění na kompresi Q3_K_M a vyrábějí kolem 22.5 tokenů za sekundu

Špičkový model je B200, generování přibližně 104 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

LLaMA-33B byl zveřejněn Meta AI, v zemi zaznamenané jako United States of America, během February 2023. Kategorie, do které vydavatel spadá, je industry.

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

Porozumění rychlostem

Polovina karet, které to drží, zvládne více než 22.1 tokenů za sekundu. Producing text faster than most people read it: 106 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.

Protože je architektura zaznamenaná, sloupec paměti je odvozen spíše než odhadován.

Trénink a původ

Trenovací běh spotřeboval asi 2.7 × 10²³ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Bylo to trénováno na korpusu asi 1,400,000,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro LLaMA-33B

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 LLaMA-33B, potřebující kolem 17.6 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-33B.
03

Nastavte minimální kvalitu

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

Srovnejte TPS, ne specifikace

Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. LLaMA-33B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 104 tok/s
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-33B. 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

Sledování KARTY až na její vlastní stránku ukazuje každý jiný model, který může držet, což je otázka, která následuje, jakmile se rozhodnete pro LLaMA-33B.

Odpovědi

LLaMA-33B — běžné otázky

LLaMA-33B— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 89–125 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-33B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je RTX A4500, s kapacitou VRAM 20 GB. Spouští model při kompresi Q3_K_M používající přibližně 17.6 GB, a produkuje přibližně 22.5 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 132.

LLaMA-33B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 104 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 106.

LLaMA-33B— kolik VRAM potřebuje?

Potřebuje asi 17.6 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-33B— mohu to spustit na GPU držící 24 GB?

Ano. GPU kartu GeForce RTX 5090 D V2, držení 24 GB, provozuje ho při kompresi Q4_K_M, používající přibližně 21.4 GB a generováním zhruba 40.3 tokenů za sekundu. Fit je těsný.

LLaMA-33B— 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-33B— kolik má parametrů?

Má počet parametrů 32.5B. Table 2 in the paper. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

LLaMA-33B— Kdo to vytvořil?

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

LLaMA-33B— Kdy byl vydán?

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

LLaMA-33B— K čemu se to používá?

funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling, Code generation, Language modeling/generation, Question answering. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.

LLaMA-33B— 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-33B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 2.7 × 10²³ FLOP. 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.

LLaMA-33B— 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 7.0 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

LLaMA-33B— 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: 132. Takže druhá karta je tu zřídka odpovědí.

LLaMA-33B— 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: 5. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

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