Stable Diffusion (LDM-KL-8-G) TPS kalkulátor

Otevřít váhy Runway,Ludwig Maximilian University of Munich,Heidelberg University 1.5B parametry April 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

818 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Tesla C1080

4 GB · Q8_0 · 25.4 tok/s

Nejrychlejší karta

B200

2,337 tok/s · 180 GB

Které GPU mohou spustit Stable Diffusion (LDM-KL-8-G)?

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
2,337 tok/s 1,402–3,739 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.3 GB	Q8_0	Pohodlný
2,337 tok/s 1,402–3,739 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.3 GB	Q8_0	Pohodlný
1,866 tok/s 1,120–2,985 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.3 GB	Q8_0	Pohodlný
1,866 tok/s 1,120–2,985 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.3 GB	Q8_0	Pohodlný
1,492 tok/s 895–2,388 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.3 GB	Q8_0	Pohodlný
1,428 tok/s 857–2,285 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.3 GB	Q8_0	Pohodlný
1,428 tok/s 857–2,285 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.3 GB	Q8_0	Pohodlný
1,367 tok/s 820–2,187 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.3 GB	Q8_0	Pohodlný
1,213 tok/s 728–1,941 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Pohodlný
1,213 tok/s 728–1,941 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Pohodlný
1,213 tok/s 728–1,941 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Pohodlný
1,151 tok/s 691–1,841 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.3 GB	Q8_0	Pohodlný
981 tok/s 589–1,570 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Pohodlný
981 tok/s 589–1,570 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.3 GB	Q8_0	Pohodlný
981 tok/s 589–1,570 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Pohodlný
981 tok/s 589–1,570 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Pohodlný
981 tok/s 589–1,570 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Pohodlný
747 tok/s 448–1,196 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.3 GB	Q8_0	Pohodlný
747 tok/s 448–1,196 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.3 GB	Q8_0	Pohodlný
623 tok/s 374–996 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.3 GB	Q8_0	Pohodlný
609 tok/s 366–975 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.3 GB	Q8_0	Pohodlný
596 tok/s 358–953 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.3 GB	Q8_0	Pohodlný
596 tok/s 358–953 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.3 GB	Q8_0	Pohodlný
596 tok/s 358–953 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.3 GB	Q8_0	Pohodlný
596 tok/s 358–953 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.3 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: Runway,Ludwig Maximilian University of Munich,Heidelberg University
Typ organizace: Industry,Academia,Academia
Země: United States of America, Germany
Publikováno: 13 April 2022
Autoři: Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, Björn Ommer

Co to dělá

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

Doména: Image generation
Úkol: Image generation, Text-to-image
Přístup: Self-supervised learning
Základní model: Stable Diffusion 1.2

Velikost

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

parametry: 1.5B
Výcviková data: 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: 5 × 10²² FLOP
Jak bylo ustanoveno: Hardware

Tréninkový běh

Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.

Tréninkový hardware: NVIDIA A100
Používané čipy: 256
Čip-hodiny: 150,000
Doba reálného času: 586 hours (24.4 days)
Příkon: 205.8 kW
Náklady na výpočet: $111,248

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 source
Hugging Face: CompVis

Jak je to klasifikováno

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

Proč je to sledováno: Significant use,Highly cited
Záznam důvěry: Confident
Citace: 24,523

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: High-Resolution Image Synthesis with Latent Diffusion Models
Nap poslední aktualizace: 25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží Stable Diffusion (LDM-KL-8-G)

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 Stable Diffusion (LDM-KL-8-G)

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

Tesla C1080

Potřeba paměti

2.3 GB

Nejrychlejší

2,337 tok/s

Stable Diffusion (LDM-KL-8-G) dosahuje počtu parametrů 1.5B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Nejmenší hardware, který funguje, je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 25.4 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je B200, generování přibližně 2,337 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Pozadí

Stable Diffusion (LDM-KL-8-G) byl zveřejněn Runway,Ludwig Maximilian University of Munich,Heidelberg University, v zemi zaznamenané jako United States of America, během April 2022. Vydavatelská organizace je kategorizována jako industry,Academia,Academia.

funguje v oblasti Image generation, a je zaznamenán jako vykonávající úkol image generation, Text-to-image.

Staví na Stable Diffusion 1.2. To je obvyklý způsob, jak je specializovaný model vytvářen.

Otevřené váhy jsou to, co dává této stránce místo v kalkulátoru spíše než pouze v katalogu: je to model, který můžeš skutečně držet. Na Hugging Face je publikováno pod organizací CompVis.

Čtení čísel propustnosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 65.6 tokens za sekundu. Překračující rychlost čtení rovnou: 796 z nich

Být hustý, čte vše sám po tokenu, což je důvod, proč pořadí podle rychlosti níže úzce následuje pořadí podle šířky pásma VRAM.

Paměť zde je odhadována podle velikosti, spíše než aby byla vypočtena z architektury, která není pro tento model zaznamenána — čísla jsou spíše indikativní než přesná.

Co bylo zapotřebí k jeho vybudování

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 5 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Je sledováno v základním datasetu z jednoho konkrétního důvodu: significant use,Highly cited.

Krok za krokem

Jak vybrat GPU pro Stable Diffusion (LDM-KL-8-G)

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.

Každá KARTA zde byla zkontrolována proti Stable Diffusion (LDM-KL-8-G), potřebující kolem 2.3 GB při kompresi Q8_0. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
02

Nastavte délku kontextu, se kterou budete pracovat

Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro Stable Diffusion (LDM-KL-8-G).
03

Vyberte, jak moc to budete komprimovat.

Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., dosahující komprese Q8_0 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

Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro Stable Diffusion (LDM-KL-8-G). Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 2,337 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 Stable Diffusion (LDM-KL-8-G). 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

Otevřete kartu, na které jste se usadili.

Sledování KARTY až na její vlastní stránku ukazuje každý jiný model, který může držet, což je otázka, která následuje, jakmile se rozhodnete pro Stable Diffusion (LDM-KL-8-G).

Odpovědi

Stable Diffusion (LDM-KL-8-G) — běžné otázky

Stable Diffusion (LDM-KL-8-G)— 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.

Stable Diffusion (LDM-KL-8-G)— kolik má parametrů?

Má počet parametrů 1.5B. See Table 2. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Stable Diffusion (LDM-KL-8-G)— Kdo to vytvořil?

Bylo to publikováno společností Runway,Ludwig Maximilian University of Munich,Heidelberg University, zakládající se na United States of America, organizace zařazená jako industry,Academia,Academia.

Stable Diffusion (LDM-KL-8-G)— Kdy byl vydán?

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

Stable Diffusion (LDM-KL-8-G)— K čemu se to používá?

funguje v oblasti Image generation, a je zaznamenáno jako zpracovávající úkol image generation, Text-to-image. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

Stable Diffusion (LDM-KL-8-G)— kde si to mohu stáhnout?

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

Stable Diffusion (LDM-KL-8-G)— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 5 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA A100. 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.

Stable Diffusion (LDM-KL-8-G)— 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.

Stable Diffusion (LDM-KL-8-G)— 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: 818. Takže druhá karta je tu zřídka odpovědí.

Stable Diffusion (LDM-KL-8-G)— proč se kvantizace liší mezi kartami?

Větší karta obsahuje přesnější kopii. Počet úrovní komprese používaných na kartách, které ji provádějí: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Stable Diffusion (LDM-KL-8-G)— 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: 1,402–3,739 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Stable Diffusion (LDM-KL-8-G)— 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 Q8_0 používající přibližně 2.3 GB, a produkuje přibližně 25.4 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

Stable Diffusion (LDM-KL-8-G)— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 2,337 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 796.

Stable Diffusion (LDM-KL-8-G)— kolik VRAM potřebuje?

Potřebuje asi 2.3 GB při kompresi Q8_0, 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.

Stable Diffusion (LDM-KL-8-G)— 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 2.3 GB a generováním zhruba 435 tokenů za sekundu. Fit je pohodlný.

Stable Diffusion (LDM-KL-8-G)— 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 2.3 GB a generováním zhruba 267 tokenů za sekundu. Fit je pohodlný.

Stable Diffusion (LDM-KL-8-G)— 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 2.3 GB a generováním zhruba 330 tokenů za sekundu. Fit je pohodlný.

Stable Diffusion (LDM-KL-8-G)— 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 2.3 GB a generováním zhruba 391 tokenů za sekundu. Fit je pohodlný.

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