German ELECTRA Large TPS kalkulátor

Otevřít váhy deepset,Bayerische Staatsbibliothek Muenchen 335M parametry October 2020

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 · 110 tok/s

Nejrychlejší karta

B200

10,114 tok/s · 180 GB

Které GPU mohou spustit German ELECTRA Large?

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
10,114 tok/s

6,068–16,183 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.1 GB Q8_0 Pohodlný
10,114 tok/s

6,068–16,183 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.1 GB Q8_0 Pohodlný
8,076 tok/s

4,846–12,922 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Pohodlný
8,076 tok/s

4,846–12,922 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Pohodlný
6,459 tok/s

3,875–10,335 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.1 GB Q8_0 Pohodlný
6,182 tok/s

3,709–9,892 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Pohodlný
6,182 tok/s

3,709–9,892 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Pohodlný
5,917 tok/s

3,550–9,467 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.1 GB Q8_0 Pohodlný
5,251 tok/s

3,151–8,402 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Pohodlný
5,251 tok/s

3,151–8,402 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Pohodlný
5,251 tok/s

3,151–8,402 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Pohodlný
4,981 tok/s

2,989–7,970 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.1 GB Q8_0 Pohodlný
4,248 tok/s

2,549–6,797 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Pohodlný
4,248 tok/s

2,549–6,797 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.1 GB Q8_0 Pohodlný
4,248 tok/s

2,549–6,797 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Pohodlný
4,248 tok/s

2,549–6,797 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Pohodlný
4,248 tok/s

2,549–6,797 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Pohodlný
3,235 tok/s

1,941–5,175 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Pohodlný
3,235 tok/s

1,941–5,175 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Pohodlný
2,695 tok/s

1,617–4,313 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.1 GB Q8_0 Pohodlný
2,638 tok/s

1,583–4,221 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.1 GB Q8_0 Pohodlný
2,579 tok/s

1,547–4,127 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.1 GB Q8_0 Pohodlný
2,579 tok/s

1,547–4,127 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.1 GB Q8_0 Pohodlný
2,579 tok/s

1,547–4,127 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.1 GB Q8_0 Pohodlný
2,579 tok/s

1,547–4,127 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.1 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
deepset,Bayerische Staatsbibliothek Muenchen
Typ organizace
Industry,Government
Země
Germany
Publikováno
21 October 2020
Autoři
Branden Chan, Stefan Schweter, Timo Möller

Co to dělá

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

Doména
Language
Úkol
Document classification, Named entity recognition (NER), Text classification

Velikost

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

parametry
335M

335M from Table 5

Výcviková data
36,383,733,333 tokens

163.4GB from Table 1 in the paper assuming 167M words per GB (German Language) we have 163.4 * 167M * 4/3 tokens per word = 36,383,733,333

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
1.4 × 10²¹ FLOP

flops = (64) * (123* 10**12) * (7 * 24 * 3600) * (0.3) = 1.4e21 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) 'large models were trained on pods of 16 TPUs v3 (128 cores).' - from section 4.1 it was trained for 7 days from Table 2 Agrees with 6CN: Tokens seen: 512 (seq len) * 1024 (batch size) * 1 million (steps) = 5.24e11 FLOPs: 6 * 335M * 5.24e11 = 1.05e21

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
Google TPU v3
Používané čipy
64
Čip-hodiny
10,752
Doba reálného času
168 hours (7 days)

7 days from Table 2

Příkon
58.6 kW
Náklady na výpočet
$2,392

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
Unreleased

MIT: https://huggingface.co/deepset/gelectra-large

Hugging Face
deepset

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

'we were able to attain SoTA performance across a set of document classification and named entity recognition (NER) tasks for both models of base and large size.'

Záznam důvěry
Confident
Citace
333

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
German's Next Language Model
Nap poslední aktualizace
25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží German ELECTRA Large

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 10,114 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 10,114 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 8,076 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 8,076 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 6,459 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 6,182 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 6,182 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 5,917 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 5,251 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 5,251 tok/s

Nejmenší GPU, které ještě běží German ELECTRA Large

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 1.1 GB · Q8_0 · Pohodlný 121 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 121 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 162 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 243 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 43.1 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 126 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 142 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 126 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 102 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 105 tok/s

Co čísla znamenají

Co potřebujete k tomu, abyste to spustili

Minimum karta

Tesla C1080

Potřeba paměti

1.1 GB

Nejrychlejší

10,114 tok/s

German ELECTRA Large dosahuje počtu parametrů 335M. 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 110 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 10,114 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

German ELECTRA Large byl zveřejněn deepset,Bayerische Staatsbibliothek Muenchen, v zemi zaznamenané jako Germany, během October 2020. Kategorie, do které vydavatel spadá, je industry,Government.

funguje v oblasti Language, a je zaznamenán jako vykonávající úkol document classification, Named entity recognition (NER), Text classification.

Otevřené váhy jsou to, co dává této stránce místo v kalkulátoru spíše než pouze v katalogu: je to model, který můžeš skutečně držet. Na Hugging Face je publikováno pod organizací deepset.

Co rozhoduje o rychlosti

Mediánový výsledek je kolem 284.0 tokenů za sekundu 818 z nich

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

Bez rozložení pozornosti v záznamu je sloupec paměti přibližný. Je dost blízko na to, aby se podle něj vybralo hardware, a je nejméně spolehlivý při dlouhém kontextu.

Co bylo zapotřebí k jeho vybudování

Trénování si vyžádalo výpočetní rozpočet přibližně 1.4 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Trénink spotřeboval korpus kolem 36,383,733,333 tokeny textu

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

Krok za krokem

Jak vybrat GPU pro German ELECTRA Large

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

  1. 01

    Zkontrolujte, co to potřebuje před čímkoli jiným.

    Začněte od toho, co skutečně potřebuje, což je požadavek na German ELECTRA Large, potřebující kolem 1.1 GB při kompresi Q8_0. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.

  2. 02

    Přizpůsobte kontext svému skutečnému použití

    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. German ELECTRA Large.

  3. 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.

  4. 04

    Hodnoťte podle propustnosti spíše než podle specifikace

    Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro German ELECTRA Large. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 10,114 tok/s

  5. 05

    Zkontrolujte verdikt o vhodnosti před koupí

    Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě German ELECTRA Large. 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

    Otevřete kartu, na které jste se usadili.

    Sledování KARTY až na její vlastní stránku ukazuje každý jiný model, který může držet, což je otázka, která následuje, jakmile se rozhodnete pro German ELECTRA Large.

Odpovědi

German ELECTRA Large — běžné otázky

01

German ELECTRA Large— 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.

02

German ELECTRA Large— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 6,068–16,183 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

03

German ELECTRA Large— 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 1.1 GB, a produkuje přibližně 110 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

04

German ELECTRA Large— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 10,114 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.

05

German ELECTRA Large— kolik VRAM potřebuje?

Potřebuje asi 1.1 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.

06

German ELECTRA Large— 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 1.1 GB a generováním zhruba 1,884 tokenů za sekundu. Fit je pohodlný.

07

German ELECTRA Large— 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 1.1 GB a generováním zhruba 1,154 tokenů za sekundu. Fit je pohodlný.

08

German ELECTRA Large— 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 1.1 GB a generováním zhruba 1,429 tokenů za sekundu. Fit je pohodlný.

09

German ELECTRA Large— 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 1.1 GB a generováním zhruba 1,694 tokenů za sekundu. Fit je pohodlný.

10

German ELECTRA Large— 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.

11

German ELECTRA Large— kolik má parametrů?

Má počet parametrů 335M. 335M from Table 5. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

12

German ELECTRA Large— Kdo to vytvořil?

Bylo to publikováno společností deepset,Bayerische Staatsbibliothek Muenchen, zakládající se na Germany, organizace zařazená jako industry,Government.

13

German ELECTRA Large— Kdy byl vydán?

Bylo to zveřejněno v October 2020. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

14

German ELECTRA Large— K čemu se to používá?

funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol document classification, Named entity recognition (NER), Text classification. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

15

German ELECTRA Large— kde si to mohu stáhnout?

Jeho váhy jsou publikovány na Hugging Face, pod organizací deepset. Na našem webu nenabízíme soubory modelů — tento web vypočítává, jaký hardware je potřebný pro jejich spuštění.

16

German ELECTRA Large— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 1.4 × 10²¹ 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.

17

German ELECTRA Large— 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.

18

German ELECTRA Large— 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.

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