CogView TPS kalkulátor

Otevřít váhy Tsinghua University,Alibaba DAMO Academy 4B parametry May 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 · Q5_K_M · 16.5 tok/s

Nejrychlejší karta

B200

847 tok/s · 180 GB

Které GPU mohou spustit CogView?

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
847 tok/s 508–1,355 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	5.0 GB	Q8_0	Pohodlný
847 tok/s 508–1,355 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	5.0 GB	Q8_0	Pohodlný
676 tok/s 406–1,082 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	5.0 GB	Q8_0	Pohodlný
676 tok/s 406–1,082 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	5.0 GB	Q8_0	Pohodlný
541 tok/s 325–866 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	5.0 GB	Q8_0	Pohodlný
518 tok/s 311–828 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.0 GB	Q8_0	Pohodlný
518 tok/s 311–828 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.0 GB	Q8_0	Pohodlný
496 tok/s 297–793 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	5.0 GB	Q8_0	Pohodlný
440 tok/s 264–704 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	5.0 GB	Q8_0	Pohodlný
440 tok/s 264–704 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	5.0 GB	Q8_0	Pohodlný
440 tok/s 264–704 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	5.0 GB	Q8_0	Pohodlný
417 tok/s 250–667 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný
356 tok/s 213–569 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný
356 tok/s 213–569 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	5.0 GB	Q8_0	Pohodlný
356 tok/s 213–569 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný
356 tok/s 213–569 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný
356 tok/s 213–569 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný
271 tok/s 163–433 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	5.0 GB	Q8_0	Pohodlný
271 tok/s 163–433 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	5.0 GB	Q8_0	Pohodlný
226 tok/s 135–361 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	5.0 GB	Q8_0	Pohodlný
221 tok/s 133–353 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	5.0 GB	Q8_0	Pohodlný
216 tok/s 130–346 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	5.0 GB	Q8_0	Pohodlný
216 tok/s 130–346 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	5.0 GB	Q8_0	Pohodlný
216 tok/s 130–346 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	5.0 GB	Q8_0	Pohodlný
216 tok/s 130–346 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	5.0 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: Tsinghua University,Alibaba DAMO Academy
Typ organizace: Academia,Industry
Země: China
Publikováno: 26 May 2021
Autoři: Ming Ding, Zhuoyi Yang, Wenyi Hong, Wendi Zheng, Chang Zhou, Da Yin, Junyang Lin, Xu Zou, Zhou Shao, Hongxia Yang, Jie Tang

Co to dělá

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

Doména: Image generation
Úkol: Text-to-image, Image generation
Přístup: Self-supervised learning
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: 4B
Výcviková data: 964,800,000,000 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: 2.7 × 10²² FLOP
Jak bylo ustanoveno: Third-party estimation

Tréninkový běh

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

Tréninkový hardware: NVIDIA Tesla V100 DGXS 16 GB
Používané čipy: 512
Příkon: 259.1 kW
Náklady na výpočet: $60,072

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.

Základní model: Yes
Proč je to sledováno: SOTA improvement
Záznam důvěry: Likely
Citace: 979

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: CogView: Mastering Text-to-Image Generation via Transformers
Nap poslední aktualizace: 25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží CogView

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 CogView

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

Co čísla znamenají

Co je potřeba k provozování tohoto modelu

Minimum karta

Tesla C1080

Potřeba paměti

3.6 GB

Nejrychlejší

847 tok/s

CogView dosahuje počtu parametrů 4B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Nejmenší karta, která to pojme, je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q5_K_M a vyrábějí kolem 16.5 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 847 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

CogView byl zveřejněn Tsinghua University,Alibaba DAMO Academy, v zemi zaznamenané jako China, během May 2021. Vydavatelská organizace je kategorizována jako academia,Industry.

funguje v oblasti Image generation, a je zaznamenán jako vykonávající úkol text-to-image, 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 28.4 tokenů za sekundu 776 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 2.7 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla V100 DGXS 16 GB. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Trénink spotřeboval korpus kolem 964,800,000,000 tokeny textu

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

Krok za krokem

Jak vybrat GPU pro CogView

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.

Tabulka uvádí každou kartu, která je schopna pojmout CogView, potřebující kolem 3.6 GB při kompresi Q5_K_M. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
02

Přizpůsobte kontext svému skutečnému použití

Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro CogView.
03

Rozhodněte, jaké množství komprese přijmete

Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., dosahující komprese Q5_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.
04

Třídit podle rychlosti

Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. CogView. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 847 tok/s
05

Přečtěte si poslední sloupec fit

Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě CogView. 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. CogView.

Odpovědi

CogView — běžné otázky

CogView— Kdy byl vydán?

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

CogView— K čemu se to používá?

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

CogView— 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.

CogView— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 2.7 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla V100 DGXS 16 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.

CogView— 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.

CogView— 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.

CogView— 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: 3. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

CogView— 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: 508–1,355 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

CogView— 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 Q5_K_M používající přibližně 3.6 GB, a produkuje přibližně 16.5 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

CogView— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 847 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 776.

CogView— kolik VRAM potřebuje?

Potřebuje asi 3.6 GB při kompresi Q5_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.

CogView— 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 5.0 GB a generováním zhruba 158 tokenů za sekundu. Fit je pohodlný.

CogView— 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 5.0 GB a generováním zhruba 96.6 tokenů za sekundu. Fit je pohodlný.

CogView— 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 5.0 GB a generováním zhruba 120 tokenů za sekundu. Fit je pohodlný.

CogView— 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 5.0 GB a generováním zhruba 142 tokenů za sekundu. Fit je pohodlný.

CogView— 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.

CogView— kolik má parametrů?

Má počet parametrů 4B. "We propose CogView, a 4-billion-parameter Transformer with VQ-VAE tokenizer to advance this problem.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

CogView— Kdo to vytvořil?

Bylo to publikováno společností Tsinghua University,Alibaba DAMO Academy, zakládající se na China, organizace zařazená jako academia,Industry.

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