ELECTRA TPS kalkulátor

Otevřít váhy Stanford University,Google,Google Brain 335M parametry March 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 ELECTRA?

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
Stanford University,Google,Google Brain
Typ organizace
Academia,Industry,Industry
Země
United States of America
Publikováno
23 March 2020
Autoři
Kevin Clark, Minh-Thang Luong, Quoc V. Le, Christopher D. Manning

Co to dělá

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

Doména
Language
Úkol
Text autocompletion
Přístup
Self-supervised learning
Číselný formát
FP32

Velikost

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

parametry
335M

https://github.com/google-research/electra

Výcviková data
33,000,000,000 tokens

33B tokens or ~25B words "For most experiments we pre-train on the same data as BERT, which consists of 3.3 Billion tokens from Wikipedia and BooksCorpus (Zhu et al., 2015). However, for our Large model we pre-trained on the data used for XLNet (Yang et al., 2019), which extends the BERT dataset to 33B tokens by including data from ClueWeb (Callan et al., 2009), CommonCrawl, and Gigaword (Parker et al., 2011)."

Epochy
13.9
Velikost dávky
262,144

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
3.1 × 10²¹ FLOP

Table 8: "ELECTRA-1.75M" used 3.1e21 train FLOPs. Note that the actual parameter count is 335M. The 1.75M refers to the number of training steps. This doesn't quite line up with a 6ND estimate, 6 * 335M * (1.75M * 2048 * 128) = 9.22e20 FLOPs I'm inferring 128 sequence length, possibly this is 256 or 512?

Jak bylo ustanoveno
Reported

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

models and training code, Apache 2.0: https://github.com/google-research/electra

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
Discretionary
Záznam důvěry
Likely
Citace
2,968

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators
Nap poslední aktualizace
28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží ELECTRA

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 ELECTRA

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

Hardwareová stránka

Minimum karta

Tesla C1080

Potřeba paměti

1.1 GB

Nejrychlejší

10,114 tok/s

ELECTRA 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.

Na nízkém konci se to řeší pomocí Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 110 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 10,114 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

ELECTRA byl zveřejněn Stanford University,Google,Google Brain, v zemi zaznamenané jako United States of America, během March 2020. Vydavatelská organizace je kategorizována jako academia,Industry,Industry.

funguje v oblasti Language, a je zaznamenán jako vykonávající úkol text autocompletion.

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

Co rozhoduje o rychlosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 284.0 tokens za sekundu. Překračující rychlost čtení rovnou: 818 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.

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

Trenovací běh spotřeboval asi 3.1 × 10²¹ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Tréninková sada běžela na přibližně 33,000,000,000 tokeny textu

Jeho kritérium zahrnutí: discretionary.

Krok za krokem

Jak vybrat GPU pro ELECTRA

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

    Tabulka uvádí každou kartu, která je schopna pojmout ELECTRA, potřebující kolem 1.1 GB při kompresi Q8_0. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.

  2. 02

    Rozhodněte, jak dlouho vaše konverzace běží

    Nastavte kontext na to, co skutečně použijete. Cache roste s konverzací a to je obvyklý důvod, proč karta, která se zdála v pořádku, přestane vejít. ELECTRA.

  3. 03

    Rozhodněte, jaké množství komprese přijmete

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

    Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro ELECTRA. 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 znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě ELECTRA. 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.

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

Odpovědi

ELECTRA — běžné otázky

01

ELECTRA— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 3.1 × 10²¹ FLOP. 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.

02

ELECTRA— 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.

03

ELECTRA— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 818. Takže druhá karta je tu zřídka odpovědí.

04

ELECTRA— proč se kvantizace liší mezi kartami?

Větší karta obsahuje přesnější kopii. Počet úrovní komprese používaných na kartách, které ji provádějí: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

05

ELECTRA— Jak přesné jsou tyto odhady rychlosti?

Každé číslo je odvozeno od šířky pásma VRAM a velikosti modelu, není benchmarkováno, což je důvod, proč je každé publikováno jako rozsah spíše než jako jediné číslo. 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.

06

ELECTRA— 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.

07

ELECTRA— 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.

08

ELECTRA— 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.

09

ELECTRA— 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.

10

ELECTRA— 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.

11

ELECTRA— 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.

12

ELECTRA— 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.

13

ELECTRA— 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.

14

ELECTRA— kolik má parametrů?

Má počet parametrů 335M. https://github.com/google-research/electra. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

15

ELECTRA— Kdo to vytvořil?

Bylo to publikováno společností Stanford University,Google,Google Brain, zakládající se na United States of America, organizace zařazená jako academia,Industry,Industry.

16

ELECTRA— Kdy byl vydán?

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

17

ELECTRA— K čemu se to používá?

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

18

ELECTRA— 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.

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