ViT-G (model soup) TPS kalkulátor

Otevřít váhy University of Washington,Columbia University,Google,Meta AI,Tel Aviv University 1.8B parametry March 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 · 20.0 tok/s

Nejrychlejší karta

B200

1,838 tok/s · 180 GB

Které GPU mohou spustit ViT-G (model soup)?

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
1,838 tok/s 1,103–2,942 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.7 GB	Q8_0	Pohodlný
1,838 tok/s 1,103–2,942 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.7 GB	Q8_0	Pohodlný
1,468 tok/s 881–2,349 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.7 GB	Q8_0	Pohodlný
1,468 tok/s 881–2,349 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.7 GB	Q8_0	Pohodlný
1,174 tok/s 704–1,879 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.7 GB	Q8_0	Pohodlný
1,124 tok/s 674–1,798 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.7 GB	Q8_0	Pohodlný
1,124 tok/s 674–1,798 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.7 GB	Q8_0	Pohodlný
1,075 tok/s 645–1,721 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.7 GB	Q8_0	Pohodlný
954 tok/s 573–1,527 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Pohodlný
954 tok/s 573–1,527 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Pohodlný
954 tok/s 573–1,527 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Pohodlný
905 tok/s 543–1,449 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.7 GB	Q8_0	Pohodlný
772 tok/s 463–1,235 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Pohodlný
772 tok/s 463–1,235 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.7 GB	Q8_0	Pohodlný
772 tok/s 463–1,235 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Pohodlný
772 tok/s 463–1,235 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Pohodlný
772 tok/s 463–1,235 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Pohodlný
588 tok/s 353–941 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.7 GB	Q8_0	Pohodlný
588 tok/s 353–941 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.7 GB	Q8_0	Pohodlný
490 tok/s 294–784 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.7 GB	Q8_0	Pohodlný
479 tok/s 288–767 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.7 GB	Q8_0	Pohodlný
469 tok/s 281–750 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.7 GB	Q8_0	Pohodlný
469 tok/s 281–750 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.7 GB	Q8_0	Pohodlný
469 tok/s 281–750 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.7 GB	Q8_0	Pohodlný
469 tok/s 281–750 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.7 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: University of Washington,Columbia University,Google,Meta AI,Tel Aviv University
Typ organizace: Academia,Academia,Industry,Industry,Academia
Země: United States of America, Israel
Publikováno: 10 March 2022
Autoři: Mitchell Wortsman, Gabriel Ilharco, Samir Yitzhak Gadre, Rebecca Roelofs, Raphael Gontijo-Lopes, Ari S. Morcos, Hongseok Namkoong, Ali Farhadi, Yair Carmon, Simon Kornblith, Ludwig Schmidt

Co to dělá

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

Doména: Vision
Úkol: Image classification

Velikost

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

parametry: 1.8B
Výcviková data: 1,752,320,000 tokens
Epochy: 8

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: 3.4 × 10²¹ 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.

Proč je to sledováno: SOTA improvement
Záznam důvěry: Confident
Citace: 1,499

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time
Nap poslední aktualizace: 25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží ViT-G (model soup)

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 ViT-G (model soup)

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

Co čísla znamenají

Hardwarové požadavky v praxi

Minimum karta

Tesla C1080

Potřeba paměti

2.7 GB

Nejrychlejší

1,838 tok/s

ViT-G (model soup) dosahuje počtu parametrů 1.8B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Vstupní bod je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 20.0 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 1,838 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

ViT-G (model soup) byl zveřejněn University of Washington,Columbia University,Google,Meta AI,Tel Aviv University, v zemi zaznamenané jako United States of America, během March 2022. Kategorie, do které vydavatel spadá, je academia,Academia,Industry,Industry,Academia.

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

Protože byly jeho váhy uvolněny, nic ohledně jeho spuštění nezávisí na dostupnosti poskytovatele - je to vaše, jakmile je stáhnuto.

Jak rychle to běží a proč

Polovina karet, které to drží, zvládne více než 51.6 tokenů za sekundu 792 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.

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.

Co bylo zapotřebí k jeho vybudování

Trénování si vyžádalo výpočetní rozpočet přibližně 3.4 × 10²¹ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Trénink spotřeboval korpus kolem 1,752,320,000 tokeny textu

Jeho kritérium zahrnutí: sOTA improvement.

Krok za krokem

Jak vybrat GPU pro ViT-G (model soup)

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

Tabulka uvádí každou kartu, která je schopna pojmout ViT-G (model soup), potřebující kolem 2.7 GB při kompresi Q8_0. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
02

Přizpůsobte kontext svému skutečnému použití

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. ViT-G (model soup).
03

Nastavte minimální kvalitu

Kompresce je to, co umožňuje modelu pojmout menší KARTY, za určitou cenu v přesnosti., 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 ViT-G (model soup). Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 1,838 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě ViT-G (model soup). 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. ViT-G (model soup).

Odpovědi

ViT-G (model soup) — běžné otázky

ViT-G (model soup)— K čemu se to používá?

funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

ViT-G (model soup)— 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.

ViT-G (model soup)— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 3.4 × 10²¹ 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.

ViT-G (model soup)— 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. Každá postava zde předpokládá, že celý model je umístěn na kartě.

ViT-G (model soup)— 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.

ViT-G (model soup)— 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: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

ViT-G (model soup)— Jak přesné jsou tyto odhady rychlosti?

Každé číslo je odvozeno od šířky pásma VRAM a velikosti modelu, není benchmarkováno, což je důvod, proč je každé publikováno jako rozsah spíše než jako jediné číslo. Jeden příklad: 1,103–2,942 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

ViT-G (model soup)— 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 2.7 GB, a produkuje přibližně 20.0 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

ViT-G (model soup)— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 1,838 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 792.

ViT-G (model soup)— kolik VRAM potřebuje?

Potřebuje asi 2.7 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.

ViT-G (model soup)— 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 2.7 GB a generováním zhruba 342 tokenů za sekundu. Fit je pohodlný.

ViT-G (model soup)— 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 2.7 GB a generováním zhruba 210 tokenů za sekundu. Fit je pohodlný.

ViT-G (model soup)— 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 2.7 GB a generováním zhruba 260 tokenů za sekundu. Fit je pohodlný.

ViT-G (model soup)— 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 2.7 GB a generováním zhruba 308 tokenů za sekundu. Fit je pohodlný.

ViT-G (model soup)— 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.

ViT-G (model soup)— kolik má parametrů?

Má počet parametrů 1.8B. This is from the original ViT-G paper. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

ViT-G (model soup)— Kdo to vytvořil?

Bylo to publikováno společností University of Washington,Columbia University,Google,Meta AI,Tel Aviv University, zakládající se na United States of America, organizace zařazená jako academia,Academia,Industry,Industry,Academia.

ViT-G (model soup)— Kdy byl vydán?

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

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