Galactica TPS kalkulátor

Otevřít váhy Meta AI 120B parametry November 2022

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

38 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

RTX PRO 5000 72 GB Blackwell

72 GB · Q3_K_M · 12.8 tok/s

Nejrychlejší karta

H100 NVL 94 GB

32.1 tok/s · 94 GB

Které GPU mohou spustit Galactica?

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.

38 karty odpovídají

Vypočítávání
Potřebuje Kvantisace Pohodlné
32.1 tok/s

19–51 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 73.3 GB Q4_K_M Těsný
29.1 tok/s

17–47 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 66.3 GB IQ4_XS Těsný
29.1 tok/s

17–47 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 66.3 GB IQ4_XS Těsný
28.2 tok/s

17–45 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 129.2 GB Q8_0 Pohodlný
28.2 tok/s

17–45 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 129.2 GB Q8_0 Pohodlný
27.4 tok/s

16–44 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 73.3 GB Q4_K_M Těsný
27.4 tok/s

16–44 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 73.3 GB Q4_K_M Těsný
27.4 tok/s

16–44 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 73.3 GB Q4_K_M Těsný
26.2 tok/s

16–42 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 101.2 GB Q6_K Těsný
25.1 tok/s

15–40 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 101.2 GB Q6_K Pohodlný
25.1 tok/s

15–40 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 101.2 GB Q6_K Pohodlný
22.6 tok/s

14–36 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 129.2 GB Q8_0 Pohodlný
22.6 tok/s

14–36 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 129.2 GB Q8_0 Pohodlný
21.3 tok/s

13–34 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 101.2 GB Q6_K Těsný
17.7 tok/s

11–28 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 66.3 GB IQ4_XS Těsný
17.7 tok/s

11–28 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 66.3 GB IQ4_XS Těsný
17.7 tok/s

11–28 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 66.3 GB IQ4_XS Těsný
17.7 tok/s

11–28 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 66.3 GB IQ4_XS Těsný
17.7 tok/s

11–28 · nízká důvěra

H100 PCIe 80 GB NVIDIA 80 GB 2,040 GB/s Oct 2022 66.3 GB IQ4_XS Těsný
17.7 tok/s

11–28 · nízká důvěra

H800 PCIe 80 GB NVIDIA 80 GB 2,040 GB/s Mar 2023 66.3 GB IQ4_XS Těsný
16.8 tok/s

10–27 · nízká důvěra

A100 PCIe 80 GB NVIDIA 80 GB 1,940 GB/s Jun 2021 66.3 GB IQ4_XS Těsný
16.8 tok/s

10–27 · nízká důvěra

A800 PCIe 80 GB NVIDIA 80 GB 1,940 GB/s Nov 2022 66.3 GB IQ4_XS Těsný
16.5 tok/s

10–26 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 129.2 GB Q8_0 Pohodlný
14.7 tok/s

9–23 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 129.2 GB Q8_0 Pohodlný
14.7 tok/s

9–23 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 129.2 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
16 November 2022
Autoři
Ross Taylor, Marcin Kardas, Guillem Cucurull, Thomas Scialom, Anthony Hartshorn, Elvis Saravia, Andrew Poulton, Viktor Kerkez, Robert Stojnic

Co to dělá

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

Doména
Language, Biology
Úkol
Language modeling, Question answering, Mathematical reasoning, Medical diagnosis, Language modeling/generation
Přístup
Self-supervised learning

Velikost

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

parametry
120B

"The largest 120B model we train runs on a single NVIDIA A100 node"

Výcviková data
106,000,000,000 tokens

"Total dataset size = 106 billion tokens"

Epochy
4
Velikost dávky
2,000,000

Table 1: batch size 2M, warmup 1.1B (out of 450B tokens)

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
3.2 × 10²³ FLOP

Authors state the model is trained on 450b tokens. Using 6 FLOP/token/parameter, this is 6*120b*450b = 3.24e23

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 A100 SXM4 80 GB
Používané čipy
128
Příkon
102.4 kW
Náklady na výpočet
$591,077

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

cc-by-nc (non-commercial): https://huggingface.co/facebook/galactica-120b repo but no training code: https://github.com/paperswithcode/galai/blob/main/README.md

Jak je to klasifikováno

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

Základní model
Yes
Pravděpodobně nad 10²³ FLOP
Yes
Proč je to sledováno
SOTA improvement

"We outperform existing models on a range of scientific tasks. On technical knowledge probes such as LaTeX equations, Galactica outperforms the latest GPT-3 by 68.2% versus 49.0%. Galactica also performs well on reasoning, outperforming Chinchilla on mathematical MMLU by 41.3% to 35.7%, and PaLM 540B on MATH" "On reasoning tasks, Galactica beats existing language models on benchmarks such as MMLU and MATH (Hendrycks et al., 2020, 2021). With our reasoning token approach, we outperform Chinchill…

Záznam důvěry
Likely
Citace
1,017

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Galactica: A Large Language Model for Science
Nap poslední aktualizace
25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží Galactica

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 H100 NVL 94 GB 94 GB · 3,940 GB/s · Q4_K_M 32.1 tok/s
  2. 02 H800 SXM5 80 GB · 3,360 GB/s · IQ4_XS 29.1 tok/s
  3. 03 H100 SXM5 80 GB 80 GB · 3,360 GB/s · IQ4_XS 29.1 tok/s
  4. 04 B300 288 GB · 8,000 GB/s · Q8_0 28.2 tok/s
  5. 05 B200 180 GB · 8,000 GB/s · Q8_0 28.2 tok/s
  6. 06 H100 PCIe 96 GB 96 GB · 3,360 GB/s · Q4_K_M 27.4 tok/s
  7. 07 H100 SXM5 94 GB 94 GB · 3,360 GB/s · Q4_K_M 27.4 tok/s
  8. 08 H100 SXM5 96 GB 96 GB · 3,360 GB/s · Q4_K_M 27.4 tok/s
  9. 09 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q6_K 26.2 tok/s
  10. 10 H200 NVL 141 GB · 4,890 GB/s · Q6_K 25.1 tok/s

Nejmenší GPU, které ještě běží Galactica

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

  1. 01 RTX PRO 5000 72 GB Blackwell 72 GB · Potřebuje 59.3 GB · Q3_K_M · Těsný 12.8 tok/s
  2. 02 H100 CNX 80 GB · Potřebuje 66.3 GB · IQ4_XS · Těsný 17.7 tok/s
  3. 03 H800 PCIe 80 GB 80 GB · Potřebuje 66.3 GB · IQ4_XS · Těsný 17.7 tok/s
  4. 04 H800 SXM5 80 GB · Potřebuje 66.3 GB · IQ4_XS · Těsný 29.1 tok/s
  5. 05 A800 PCIe 80 GB 80 GB · Potřebuje 66.3 GB · IQ4_XS · Těsný 16.8 tok/s
  6. 06 H100 PCIe 80 GB 80 GB · Potřebuje 66.3 GB · IQ4_XS · Těsný 17.7 tok/s
  7. 07 H100 SXM5 80 GB 80 GB · Potřebuje 66.3 GB · IQ4_XS · Těsný 29.1 tok/s
  8. 08 A800 SXM4 80 GB 80 GB · Potřebuje 66.3 GB · IQ4_XS · Těsný 17.7 tok/s
  9. 09 A100 PCIe 80 GB 80 GB · Potřebuje 66.3 GB · IQ4_XS · Těsný 16.8 tok/s
  10. 10 A100X 80 GB · Potřebuje 66.3 GB · IQ4_XS · Těsný 17.7 tok/s

Co čísla znamenají

Hardwarové požadavky v praxi

Minimum karta

RTX PRO 5000 72 GB Blackwell

Potřeba paměti

59.3 GB

Nejrychlejší

32.1 tok/s

Galactica dosahuje počtu parametrů 120B. 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: 38.

Vstupní bod je RTX PRO 5000 72 GB Blackwell, s kapacitou VRAM 72 GB, spuštění na kompresi Q3_K_M a vyrábějí kolem 12.8 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je H100 NVL 94 GB, generování přibližně 32.1 tokens za sekundu na základě šířky pásma VRAM 3,940 GB/s.

Odkud to přišlo

Galactica byl zveřejněn Meta AI, v zemi zaznamenané jako United States of America, během November 2022. Vydavatelská organizace je kategorizována jako industry.

funguje v oblasti Language, Biology, a je zaznamenán jako vykonávající úkol language modeling, Question answering, Mathematical reasoning, Medical diagnosis, Language modeling/generation.

Váhy jsou zveřejněny, takže si je můžete stáhnout a spustit na své vlastní hardwaru neomezeně, offline, bez připojeného účtu.

Porozumění rychlostem

Polovina karet, které to drží, zvládne více než 17.7 tokenů za sekundu. Producing text faster than most people read it: 36 z nich

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

Bez rozložení pozornosti v záznamu je sloupec paměti přibližný. Je dost blízko na to, aby se podle něj vybralo hardware, a je nejméně spolehlivý při dlouhém kontextu.

Co bylo zapotřebí k jeho vybudování

Trenovací běh spotřeboval asi 3.2 × 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.

Tréninková sada běžela na přibližně 106,000,000,000 tokeny textu

Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.

Krok za krokem

Jak vybrat GPU pro Galactica

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.

    Každá KARTA zde byla zkontrolována proti Galactica, potřebující kolem 59.3 GB při kompresi Q3_K_M. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.

  2. 02

    Nastavte délku kontextu, se kterou budete pracovat

    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. Galactica.

  3. 03

    Vyberte, jak moc to budete komprimovat.

    Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., 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.

  4. 04

    Třídit podle rychlosti

    Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro Galactica. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je H100 NVL 94 GB, na 32.1 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 Galactica. 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.

    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. Galactica.

Odpovědi

Galactica — běžné otázky

01

Galactica— 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 15.7 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

02

Galactica— 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: 38. Takže druhá karta je tu zřídka odpovědí.

03

Galactica— 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.

04

Galactica— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 19–51 tok/s na H100 NVL 94 GB. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

05

Galactica— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je RTX PRO 5000 72 GB Blackwell, s kapacitou VRAM 72 GB. Spouští model při kompresi Q3_K_M používající přibližně 59.3 GB, a produkuje přibližně 12.8 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 38.

06

Galactica— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je H100 NVL 94 GB, přibližně 32.1 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 36.

07

Galactica— kolik VRAM potřebuje?

Potřebuje asi 59.3 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.

08

Galactica— 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.

09

Galactica— kolik má parametrů?

Má počet parametrů 120B. "The largest 120B model we train runs on a single NVIDIA A100 node". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

10

Galactica— Kdo to vytvořil?

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

11

Galactica— Kdy byl vydán?

Bylo to zveřejněno v November 2022. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

12

Galactica— K čemu se to používá?

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

13

Galactica— 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.

14

Galactica— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 3.2 × 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.

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