ADM TPS kalkulátor

Otevřít váhy OpenAI 559M 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 · Q8_0 · 66.0 tok/s

Nejrychlejší karta

B200

6,061 tok/s · 180 GB

Které GPU mohou spustit ADM?

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
6,061 tok/s

3,637–9,698 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.3 GB Q8_0 Pohodlný
6,061 tok/s

3,637–9,698 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.3 GB Q8_0 Pohodlný
4,840 tok/s

2,904–7,744 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.3 GB Q8_0 Pohodlný
4,840 tok/s

2,904–7,744 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.3 GB Q8_0 Pohodlný
3,871 tok/s

2,323–6,193 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.3 GB Q8_0 Pohodlný
3,705 tok/s

2,223–5,928 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.3 GB Q8_0 Pohodlný
3,705 tok/s

2,223–5,928 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.3 GB Q8_0 Pohodlný
3,546 tok/s

2,128–5,673 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.3 GB Q8_0 Pohodlný
3,147 tok/s

1,888–5,035 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Pohodlný
3,147 tok/s

1,888–5,035 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Pohodlný
3,147 tok/s

1,888–5,035 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Pohodlný
2,985 tok/s

1,791–4,776 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.3 GB Q8_0 Pohodlný
2,546 tok/s

1,527–4,073 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Pohodlný
2,546 tok/s

1,527–4,073 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.3 GB Q8_0 Pohodlný
2,546 tok/s

1,527–4,073 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Pohodlný
2,546 tok/s

1,527–4,073 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Pohodlný
2,546 tok/s

1,527–4,073 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Pohodlný
1,938 tok/s

1,163–3,101 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.3 GB Q8_0 Pohodlný
1,938 tok/s

1,163–3,101 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.3 GB Q8_0 Pohodlný
1,615 tok/s

969–2,585 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.3 GB Q8_0 Pohodlný
1,581 tok/s

949–2,529 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.3 GB Q8_0 Pohodlný
1,546 tok/s

927–2,473 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.3 GB Q8_0 Pohodlný
1,546 tok/s

927–2,473 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.3 GB Q8_0 Pohodlný
1,546 tok/s

927–2,473 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.3 GB Q8_0 Pohodlný
1,546 tok/s

927–2,473 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.3 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
OpenAI
Typ organizace
Industry
Země
United States of America
Publikováno
11 May 2021
Autoři
Prafulla Dhariwal, Alex Nichol

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
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
559M

Largest model is denoted ImageNet 512, has 559M parameters

Výcviková data
130,191,200,000,000 tokens

Biggest models are trained on ImageNet 512x512. ImageNet ILSVRC has 1,281,167 images in the training set, but it is possible some were filtered due to size. Note that a smaller model was trained on LSUN {bedroom, horse, cat}, which forms a larger dataset: 3,033,042 + 2,000,340 + 1,657,266 = 6,690,648 images Epochs ≈ (1,940,000 * 256) / 1,300,000 ≈ 381 epochs

Epochy
381

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
6.2 × 10²¹ FLOP

Largest run with their architecture improvements is the ImageNet 512 variant. Table 7 suggests utilization is around 30% for largest models (though we only see 256 x 256 and 128 -> 512) Table 10: ImageNet 512 variant took 1914 V100-days of training 125e12 FLOP/sec * 1914 days * 24 h/day * 3600 sec/h * 0.3 = 6.2e21

Jak bylo ustanoveno
Hardware

Tréninkový běh

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

Tréninkový hardware
NVIDIA V100
Náklady na výpočet
$11,274

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
Open source

These models are intended to be used for research purposes only. In particular, they can be used as a baseline for generative modeling research, or as a starting point to build off of for such research. These models are not intended to be commercially deployed. Additionally, they are not intended to be used to create propaganda or offensive imagery. repo is here with training code, MIT License https://github.com/openai/guided-diffusion

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

"We show that diffusion models can achieve image sample quality superior to the current state-of-the-art generative models"

Záznam důvěry
Confident
Citace
11,766

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Diffusion Models Beat GANs on Image Synthesis
Nap poslední aktualizace
25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží ADM

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 6,061 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 6,061 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 4,840 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 4,840 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 3,871 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 3,705 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 3,705 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 3,546 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 3,147 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 3,147 tok/s

Nejmenší GPU, které ještě běží ADM

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 1.3 GB · Q8_0 · Pohodlný 72.7 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 1.3 GB · Q8_0 · Pohodlný 72.7 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 1.3 GB · Q8_0 · Pohodlný 97.0 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 1.3 GB · Q8_0 · Pohodlný 145 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 1.3 GB · Q8_0 · Pohodlný 25.8 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 1.3 GB · Q8_0 · Pohodlný 75.6 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 1.3 GB · Q8_0 · Pohodlný 85.1 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 1.3 GB · Q8_0 · Pohodlný 75.6 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 1.3 GB · Q8_0 · Pohodlný 61.1 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 1.3 GB · Q8_0 · Pohodlný 63.0 tok/s

Co čísla znamenají

Co je potřeba k provozování tohoto modelu

Minimum karta

Tesla C1080

Potřeba paměti

1.3 GB

Nejrychlejší

6,061 tok/s

ADM dosahuje počtu parametrů 559M. 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 Q8_0 a vyrábějí kolem 66.0 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 6,061 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

ADM byl zveřejněn OpenAI, v zemi zaznamenané jako United States of America, během May 2021. Vydavatelská organizace je kategorizována jako industry.

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

Váhy jsou zveřejněny, takže si je můžete stáhnout a spustit na své vlastní hardwaru neomezeně, offline, bez připojeného účtu.

Jak rychle to běží a proč

Polovina karet, které to drží, zvládne více než 170.2 tokens za sekundu. Překračující rychlost čtení rovnou: 809 z nich

Každá váha se účastní každého tokenu zde, takže šířka pásma je celá historie: hodnocení níže je ve skutečnosti hodnocením propustnosti paměti.

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.

Trénink a původ

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 6.2 × 10²¹ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Tréninková sada běžela na přibližně 130,191,200,000,000 tokeny textu

Důvod, proč se to v tomto katalogu vůbec objevuje: highly cited,SOTA improvement.

Krok za krokem

Jak vybrat GPU pro ADM

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 ADM, potřebující kolem 1.3 GB při kompresi Q8_0. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.

  2. 02

    Rozhodněte, jak dlouho vaše konverzace běží

    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. ADM.

  3. 03

    Vyberte, jak moc to budete komprimovat.

    Každá KARTA spouští nejméně komprimovanou kopii, kterou může udržet., 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

    Hodnoťte podle propustnosti spíše než podle specifikace

    Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro ADM. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 6,061 tok/s

  5. 05

    Zkontrolujte verdikt o vhodnosti před koupí

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

    Zkontrolujte kartu z druhé strany

    Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě ADM.

Odpovědi

ADM — běžné otázky

01

ADM— 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 1.3 GB a generováním zhruba 1,129 tokenů za sekundu. Fit je pohodlný.

02

ADM— 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 1.3 GB a generováním zhruba 691 tokenů za sekundu. Fit je pohodlný.

03

ADM— 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 1.3 GB a generováním zhruba 856 tokenů za sekundu. Fit je pohodlný.

04

ADM— 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 1.3 GB a generováním zhruba 1,015 tokenů za sekundu. Fit je pohodlný.

05

ADM— 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.

06

ADM— kolik má parametrů?

Má počet parametrů 559M. Largest model is denoted ImageNet 512, has 559M parameters. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

07

ADM— Kdo to vytvořil?

Bylo to publikováno společností OpenAI, zakládající se na United States of America, organizace zařazená jako industry.

08

ADM— 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.

09

ADM— 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.

10

ADM— 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.

11

ADM— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 6.2 × 10²¹ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. 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.

12

ADM— 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.

13

ADM— 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.

14

ADM— proč se kvantizace liší mezi kartami?

Každá KARTA je zobrazena, jak běží nejméně komprimovaná kopie, kterou může udržet. Počet různých úrovní komprese napříč KARTAMI, které ji vejít: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

15

ADM— 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: 3,637–9,698 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

16

ADM— 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 1.3 GB, a produkuje přibližně 66.0 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

17

ADM— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 6,061 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 809.

18

ADM— kolik VRAM potřebuje?

Potřebuje asi 1.3 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.

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