EMDR TPS kalkulátor

Otevřít váhy Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),McGill University,DeepMind 440M 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 · 83.8 tok/s

Nejrychlejší karta

B200

7,701 tok/s · 180 GB

Které GPU mohou spustit EMDR?

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.

818 karty odpovídají

Vypočítávání
Potřebuje Kvantisace Pohodlné
7,701 tok/s

4,620–12,321 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.2 GB Q8_0 Pohodlný
7,701 tok/s

4,620–12,321 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.2 GB Q8_0 Pohodlný
6,149 tok/s

3,689–9,839 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.2 GB Q8_0 Pohodlný
6,149 tok/s

3,689–9,839 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.2 GB Q8_0 Pohodlný
4,918 tok/s

2,951–7,868 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.2 GB Q8_0 Pohodlný
4,707 tok/s

2,824–7,531 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.2 GB Q8_0 Pohodlný
4,707 tok/s

2,824–7,531 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.2 GB Q8_0 Pohodlný
4,505 tok/s

2,703–7,208 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.2 GB Q8_0 Pohodlný
3,998 tok/s

2,399–6,397 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.2 GB Q8_0 Pohodlný
3,998 tok/s

2,399–6,397 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.2 GB Q8_0 Pohodlný
3,998 tok/s

2,399–6,397 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.2 GB Q8_0 Pohodlný
3,793 tok/s

2,276–6,068 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.2 GB Q8_0 Pohodlný
3,234 tok/s

1,941–5,175 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Pohodlný
3,234 tok/s

1,941–5,175 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.2 GB Q8_0 Pohodlný
3,234 tok/s

1,941–5,175 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Pohodlný
3,234 tok/s

1,941–5,175 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Pohodlný
3,234 tok/s

1,941–5,175 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Pohodlný
2,463 tok/s

1,478–3,940 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.2 GB Q8_0 Pohodlný
2,463 tok/s

1,478–3,940 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.2 GB Q8_0 Pohodlný
2,052 tok/s

1,231–3,284 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.2 GB Q8_0 Pohodlný
2,008 tok/s

1,205–3,213 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.2 GB Q8_0 Pohodlný
1,964 tok/s

1,178–3,142 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.2 GB Q8_0 Pohodlný
1,964 tok/s

1,178–3,142 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.2 GB Q8_0 Pohodlný
1,964 tok/s

1,178–3,142 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.2 GB Q8_0 Pohodlný
1,964 tok/s

1,178–3,142 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.2 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
Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),McGill University,DeepMind
Typ organizace
Academia,Academia,Industry
Země
Canada, United Kingdom of Great Britain and Northern Ireland
Publikováno
9 June 2021
Autoři
Devendra Singh Sachan, Siva Reddy, William Hamilton, Chris Dyer, Dani Yogatama

Co to dělá

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

Doména
Language
Úkol
Question answering
Číselný formát
FP16

Velikost

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

parametry
440M

Table 2

Výcviková data
171,600,000,000 tokens

At the time of publication there were about 4B words (5.3B tokens) on English Wikipedia: https://en.wikipedia.org/wiki/Wikipedia:Size_of_Wikipedia#Yearly_statistics BookCorpus has about 1B words (1.3B tokens), C4 has about 156B tokens, and OpenWebText has about 9B tokens. From Table 6, it looks like all datasets were trained on for over one epoch. BERT: 1M steps, batches of 256, sequence length 256 = 65.5B tokens vs 6.6B in Wikipedia + BookCorpus ICT: 100k steps, batches of 4096, sequence leng…

Epochy
4.05

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
1.9 × 10²¹ FLOP

"We run all of our experiments on a machine with 96 CPUs, 1.3TB physical memory, and 16 A100 GPUs. We use PyTorch (Paszke et al., 2019) to implement our proposed model. With this hardware setup, our experiments on NQ and TriviaQA took approximately 25 hours to complete, while experiments on WebQ took roughly 8 hours to complete. Before supervised training, we also perform a one-time unsupervised MSS pre-training for 82,000 steps that took roughly 1 week." 1 week + 25 hours * 16 A100s = ~193 * 1…

Jak bylo ustanoveno
Hardware,Operation counting

Tréninkový běh

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

Tréninkový hardware
NVIDIA A100
Doba reálného času
355 hours (14.8 days)

"We run all of our experiments on a machine with 96 CPUs, 1.3TB physical memory, and 16 A100 GPUs [...] our experiments on NQ and TriviaQA took approximately 25 hours to complete, while experiments on WebQ took roughly 8 hours to complete. Before supervised training, we also perform a one-time unsupervised MSS pre-training for 82,000 steps that took roughly 1 week" Additionally, they pre-trained BERT, ICT, and T5 models, which took a combined 8.733e20 FLOPs. On 16 A100s at 0.3 utilization, that…

Náklady na výpočet
$2,773

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

https://github.com/DevSinghSachan/emdr2 training scripts: https://github.com/DevSinghSachan/emdr2/tree/main/examples

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

"Experiments on three benchmark datasets demonstrate that our proposed method outperforms all existing approaches of comparable size by 2-3% absolute exact match points, achieving new state-of-the-art results."

Záznam důvěry
Confident
Citace
191

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
End-to-End Training of Multi-Document Reader and Retriever for Open-Domain Question Answering
Nap poslední aktualizace
25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží EMDR

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 B300 288 GB · 8,000 GB/s · Q8_0 7,701 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 7,701 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 6,149 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 6,149 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 4,918 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 4,707 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 4,707 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 4,505 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 3,998 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 3,998 tok/s

Nejmenší GPU, které ještě běží EMDR

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

  1. 01 GeForce RTX 4010 4 GB · Potřebuje 1.2 GB · Q8_0 · Pohodlný 92.4 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 1.2 GB · Q8_0 · Pohodlný 92.4 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 1.2 GB · Q8_0 · Pohodlný 123 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 1.2 GB · Q8_0 · Pohodlný 185 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 1.2 GB · Q8_0 · Pohodlný 32.8 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 1.2 GB · Q8_0 · Pohodlný 96.1 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 1.2 GB · Q8_0 · Pohodlný 108 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 1.2 GB · Q8_0 · Pohodlný 96.1 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 1.2 GB · Q8_0 · Pohodlný 77.6 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 1.2 GB · Q8_0 · Pohodlný 80.1 tok/s

Co čísla znamenají

Co potřebujete k tomu, abyste to spustili

Minimum karta

Tesla C1080

Potřeba paměti

1.2 GB

Nejrychlejší

7,701 tok/s

EMDR dosahuje počtu parametrů 440M. 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 83.8 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 7,701 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

EMDR byl zveřejněn Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),McGill University,DeepMind, v zemi zaznamenané jako Canada, během June 2021. Vydavatelská organizace je kategorizována jako academia,Academia,Industry.

funguje v oblasti Language, a je zaznamenán jako vykonávající úkol question answering.

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

Porozumění rychlostem

Mediánový výsledek je kolem 216.2 tokenů za sekundu 817 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.

Trénink a původ

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1.9 × 10²¹ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Tréninková sada běžela na přibližně 171,600,000,000 tokeny textu

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

Krok za krokem

Jak vybrat GPU pro EMDR

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

  1. 01

    Přečtěte si nejprve číslo paměti

    Začněte od toho, co skutečně potřebuje, což je požadavek na EMDR, potřebující kolem 1.2 GB při kompresi Q8_0. Kapacita je brána — karta buď ji má, nebo ne.

  2. 02

    Rozhodněte, jak dlouho vaše konverzace běží

    Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro EMDR.

  3. 03

    Nastavte minimální kvalitu

    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.

  4. 04

    Třídit podle rychlosti

    Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro EMDR. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 7,701 tok/s

  5. 05

    Přečtěte si poslední sloupec fit

    Sloupec vhodnosti odděluje karty, které to jen tak tak zvládají, od těch, které mají místo navíc, v případě EMDR. 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

    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. EMDR.

Odpovědi

EMDR — běžné otázky

01

EMDR— kolik VRAM potřebuje?

Potřebuje asi 1.2 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.

02

EMDR— 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 1.2 GB a generováním zhruba 1,434 tokenů za sekundu. Fit je pohodlný.

03

EMDR— 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 1.2 GB a generováním zhruba 878 tokenů za sekundu. Fit je pohodlný.

04

EMDR— 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 1.2 GB a generováním zhruba 1,088 tokenů za sekundu. Fit je pohodlný.

05

EMDR— 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 1.2 GB a generováním zhruba 1,290 tokenů za sekundu. Fit je pohodlný.

06

EMDR— 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.

07

EMDR— kolik má parametrů?

Má počet parametrů 440M. 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.

08

EMDR— Kdo to vytvořil?

Bylo to publikováno společností Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),McGill University,DeepMind, zakládající se na Canada, organizace zařazená jako academia,Academia,Industry.

09

EMDR— 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.

10

EMDR— K čemu se to používá?

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

11

EMDR— 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.

12

EMDR— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 1.9 × 10²¹ 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.

13

EMDR— 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.

14

EMDR— 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: 818. Takže druhá karta je tu zřídka odpovědí.

15

EMDR— 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.

16

EMDR— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 4,620–12,321 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

17

EMDR— 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 1.2 GB, a produkuje přibližně 83.8 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

18

EMDR— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 7,701 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 817.

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