Unicorn TPS kalkulátor

Otevřít váhy Allen Institute for AI 11B parametry March 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

509 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Xeon Phi 5110P

8 GB · IQ4_XS · 19.7 tok/s

Nejrychlejší karta

B200

308 tok/s · 180 GB

Které GPU mohou spustit Unicorn?

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.

509 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
308 tok/s 185–493 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	12.5 GB	Q8_0	Pohodlný
308 tok/s 185–493 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	12.5 GB	Q8_0	Pohodlný
246 tok/s 148–394 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	12.5 GB	Q8_0	Pohodlný
246 tok/s 148–394 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	12.5 GB	Q8_0	Pohodlný
197 tok/s 118–315 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	12.5 GB	Q8_0	Pohodlný
188 tok/s 113–301 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	12.5 GB	Q8_0	Pohodlný
188 tok/s 113–301 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	12.5 GB	Q8_0	Pohodlný
180 tok/s 108–288 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	12.5 GB	Q8_0	Pohodlný
160 tok/s 96–256 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	12.5 GB	Q8_0	Pohodlný
160 tok/s 96–256 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	12.5 GB	Q8_0	Pohodlný
160 tok/s 96–256 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	12.5 GB	Q8_0	Pohodlný
152 tok/s 91–243 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	12.5 GB	Q8_0	Pohodlný
141 tok/s 85–225 · nízká důvěra	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.7 GB	IQ4_XS	Těsný
129 tok/s 78–207 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	12.5 GB	Q8_0	Pohodlný
129 tok/s 78–207 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	12.5 GB	Q8_0	Pohodlný
129 tok/s 78–207 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	12.5 GB	Q8_0	Pohodlný
129 tok/s 78–207 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	12.5 GB	Q8_0	Pohodlný
129 tok/s 78–207 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	12.5 GB	Q8_0	Pohodlný
107 tok/s 64–172 · nízká důvěra	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.6 GB	Q5_K_M	Těsný
98.5 tok/s 59–158 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	12.5 GB	Q8_0	Pohodlný
98.5 tok/s 59–158 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	12.5 GB	Q8_0	Pohodlný
82.1 tok/s 49–131 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	12.5 GB	Q8_0	Pohodlný
80.3 tok/s 48–129 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	12.5 GB	Q8_0	Pohodlný
78.6 tok/s 47–126 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	12.5 GB	Q8_0	Pohodlný
78.6 tok/s 47–126 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	12.5 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: Allen Institute for AI
Typ organizace: Research collective
Země: United States of America
Publikováno: 24 March 2021
Autoři: Nicholas Lourie, Ronan Le Bras, Chandra Bhagavatula, Yejin Choi

Co to dělá

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

Doména: Language
Úkol: Question answering, Language modeling/generation
Základní model: T5-11B

Velikost

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

parametry: 11B
Výcviková data: tokens
Epochy: 2.46
Velikost dávky: 32

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.

Jak bylo ustanoveno: Hardware
Ladění výpočtů: 3.3 × 10²² FLOP

Tréninkový běh

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

Doba reálného času: 3 hours

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: SOTA improvement
Záznam důvěry: Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: UNICORN on RAINBOW: A Universal Commonsense Reasoning Model on a New Multitask Benchmark
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Unicorn

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 Unicorn

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

Co čísla znamenají

Co potřebujete k tomu, abyste to spustili

Minimum karta

Xeon Phi 5110P

Potřeba paměti

6.7 GB

Nejrychlejší

308 tok/s

Unicorn dosahuje počtu parametrů 11B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 509.

Nejmenší hardware, který funguje, je Xeon Phi 5110P, s kapacitou VRAM 8 GB, spuštění na kompresi IQ4_XS a vyrábějí kolem 19.7 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 308 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

Unicorn byl zveřejněn Allen Institute for AI, v zemi zaznamenané jako United States of America, během March 2021. Vydavatelská organizace je kategorizována jako research collective.

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

Místo toho, aby byl trénován od nuly, je odvozen z T5-11B. To je důvod, proč sdílí obecný tvar a velikost základního modelu.

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

Porozumění rychlostem

Mediánový výsledek je kolem 21.2 tokenů za sekundu 460 z nich

Být hustý, čte vše sám po tokenu, což je důvod, proč pořadí podle rychlosti níže úzce následuje pořadí podle šířky pásma VRAM.

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

Je sledováno v základním datasetu z jednoho konkrétního důvodu: sOTA improvement.

Krok za krokem

Jak vybrat GPU pro Unicorn

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

Začněte od toho, co skutečně potřebuje, což je požadavek na Unicorn, potřebující kolem 6.7 GB při kompresi IQ4_XS. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
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 Unicorn.
03

Vyberte, jak moc to budete komprimovat.

Kompresce je to, co umožňuje modelu pojmout menší KARTY, za určitou cenu v přesnosti., dosahující komprese IQ4_XS 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

Srovnejte TPS, ne specifikace

Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro Unicorn. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 308 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

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

Odpovědi

Unicorn — běžné otázky

Unicorn— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 308 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 460.

Unicorn— kolik VRAM potřebuje?

Potřebuje asi 6.7 GB při kompresi IQ4_XS, 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.

Unicorn— mohu to spustit na GPU držící 8 GB?

Ano. GPU kartu CMP 170HX 8 GB, držení 8 GB, provozuje ho při kompresi IQ4_XS, používající přibližně 6.7 GB a generováním zhruba 141 tokenů za sekundu. Fit je těsný.

Unicorn— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q6_K, používající přibližně 9.9 GB a generováním zhruba 51.0 tokenů za sekundu. Fit je těsný.

Unicorn— 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 12.5 GB a generováním zhruba 43.5 tokenů za sekundu. Fit je těsný.

Unicorn— 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 12.5 GB a generováním zhruba 51.6 tokenů za sekundu. Fit je pohodlný.

Unicorn— 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.

Unicorn— kolik má parametrů?

Má počet parametrů 11B. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Unicorn— Kdo to vytvořil?

Bylo to publikováno společností Allen Institute for AI, zakládající se na United States of America, organizace zařazená jako research collective.

Unicorn— Kdy byl vydán?

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

Unicorn— K čemu se to používá?

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

Unicorn— 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.

Unicorn— Mohu to spustit, pokud se to nevejde do mé GPU?

Může být rozdělen mezi GPU kartu a systémovou paměť, ale v tomto případě se generuje bolestivě pomalu. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 2.0 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Unicorn— 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: 509. Takže druhá karta je tu zřídka odpovědí.

Unicorn— 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: 4. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Unicorn— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 185–493 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Unicorn— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Xeon Phi 5110P, s kapacitou VRAM 8 GB. Spouští model při kompresi IQ4_XS používající přibližně 6.7 GB, a produkuje přibližně 19.7 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 509.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 28 November 2025

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