Denoising Diffusion Probabilistic Models (LSUN Bedroom) TPS kalkulátor

Otevřít váhy University of California (UC) Berkeley 256M parametry June 2021

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 · 144 tok/s

Nejrychlejší karta

B200

13,235 tok/s · 180 GB

Které GPU mohou spustit Denoising Diffusion Probabilistic Models (LSUN Bedroom)?

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
13,235 tok/s 7,941–21,176 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.0 GB	Q8_0	Pohodlný
13,235 tok/s 7,941–21,176 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.0 GB	Q8_0	Pohodlný
10,569 tok/s 6,341–16,910 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.0 GB	Q8_0	Pohodlný
10,569 tok/s 6,341–16,910 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.0 GB	Q8_0	Pohodlný
8,452 tok/s 5,071–13,524 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.0 GB	Q8_0	Pohodlný
8,090 tok/s 4,854–12,944 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.0 GB	Q8_0	Pohodlný
8,090 tok/s 4,854–12,944 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.0 GB	Q8_0	Pohodlný
7,743 tok/s 4,646–12,388 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.0 GB	Q8_0	Pohodlný
6,872 tok/s 4,123–10,995 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Pohodlný
6,872 tok/s 4,123–10,995 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Pohodlný
6,872 tok/s 4,123–10,995 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Pohodlný
6,518 tok/s 3,911–10,429 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.0 GB	Q8_0	Pohodlný
5,559 tok/s 3,335–8,894 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Pohodlný
5,559 tok/s 3,335–8,894 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.0 GB	Q8_0	Pohodlný
5,559 tok/s 3,335–8,894 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Pohodlný
5,559 tok/s 3,335–8,894 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Pohodlný
5,559 tok/s 3,335–8,894 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Pohodlný
4,233 tok/s 2,540–6,772 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.0 GB	Q8_0	Pohodlný
4,233 tok/s 2,540–6,772 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.0 GB	Q8_0	Pohodlný
3,527 tok/s 2,116–5,644 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.0 GB	Q8_0	Pohodlný
3,452 tok/s 2,071–5,523 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.0 GB	Q8_0	Pohodlný
3,375 tok/s 2,025–5,400 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.0 GB	Q8_0	Pohodlný
3,375 tok/s 2,025–5,400 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.0 GB	Q8_0	Pohodlný
3,375 tok/s 2,025–5,400 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.0 GB	Q8_0	Pohodlný
3,375 tok/s 2,025–5,400 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.0 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 California (UC) Berkeley
Typ organizace: Academia
Země: United States of America
Publikováno: 11 June 2021
Autoři: Jonathan Ho, Ajay Jain, Pieter Abbeel

Co to dělá

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

Doména: Vision
Úkol: Image generation

Velikost

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

parametry: 256M
Výcviková data: 596,320,321,536 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: 7.8 × 10¹⁹ FLOP
Jak bylo ustanoveno: Hardware

Tréninkový běh

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

Tréninkový hardware: Google TPU v3
Náklady na výpočet: $436

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

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: Highly cited,SOTA improvement
Záznam důvěry: Confident
Citace: 30,642

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Denoising Diffusion Probabilistic Models
Nap poslední aktualizace: 25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží Denoising Diffusion Probabilistic Models (LSUN Bedroom)

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 Denoising Diffusion Probabilistic Models (LSUN Bedroom)

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

1.0 GB

Nejrychlejší

13,235 tok/s

Denoising Diffusion Probabilistic Models (LSUN Bedroom) dosahuje počtu parametrů 256M. 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 144 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je B200, generování přibližně 13,235 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

Denoising Diffusion Probabilistic Models (LSUN Bedroom) byl zveřejněn University of California (UC) Berkeley, v zemi zaznamenané jako United States of America, během June 2021. Vydavatelská organizace je kategorizována jako academia.

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

Zveřejněné váhy znamenají, že model běží na vašem stroji, nikoli na stroji někoho jiného, což činí otázku ohledně hardwaru níže odpovídatelnou.

Jak rychle to běží a proč

Mediánový výsledek je kolem 371.7 tokenů za sekundu. Producing text faster than most people read it: 818 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.

Jak bylo trénováno

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 7.8 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Bylo to trénováno na korpusu asi 596,320,321,536 tokeny textu

Jeho kritérium zahrnutí: highly cited,SOTA improvement.

Krok za krokem

Jak vybrat GPU pro Denoising Diffusion Probabilistic Models (LSUN Bedroom)

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

01

Přečtěte si nejprve číslo paměti

Každá KARTA zde byla zkontrolována proti Denoising Diffusion Probabilistic Models (LSUN Bedroom), potřebující kolem 1.0 GB při kompresi Q8_0. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
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. Denoising Diffusion Probabilistic Models (LSUN Bedroom).
03

Rozhodněte, jaké množství komprese přijmete

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

Třídit podle rychlosti

Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. Denoising Diffusion Probabilistic Models (LSUN Bedroom). Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 13,235 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 Denoising Diffusion Probabilistic Models (LSUN Bedroom). 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.

Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě Denoising Diffusion Probabilistic Models (LSUN Bedroom).

Odpovědi

Denoising Diffusion Probabilistic Models (LSUN Bedroom) — běžné otázky

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 13,235 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 818.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— kolik VRAM potřebuje?

Potřebuje asi 1.0 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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 1.0 GB a generováním zhruba 2,465 tokenů za sekundu. Fit je pohodlný.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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 1.0 GB a generováním zhruba 1,509 tokenů za sekundu. Fit je pohodlný.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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 1.0 GB a generováním zhruba 1,869 tokenů za sekundu. Fit je pohodlný.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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 1.0 GB a generováním zhruba 2,217 tokenů za sekundu. Fit je pohodlný.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— kolik má parametrů?

Má počet parametrů 256M. Appendix B: " Our CIFAR10 model has 35.7 million parameters, and our LSUN and CelebA-HQ models have 114 million parameters. We also trained a larger variant of the LSUN Bedroom model with approximately 256 million parameters by increasing filter count.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Kdo to vytvořil?

Bylo to publikováno společností University of California (UC) Berkeley, zakládající se na United States of America, organizace zařazená jako academia.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Kdy byl vydán?

Bylo to zveřejněno v June 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— K čemu se to používá?

funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image generation. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 7.8 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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: 7,941–21,176 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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 1.0 GB, a produkuje přibližně 144 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

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