Diffusion Renderer TPS kalkulátor

Otevřít váhy NVIDIA,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC) 1.1B parametry March 2025

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 · 33.5 tok/s

Nejrychlejší karta

B200

3,080 tok/s · 180 GB

Které GPU mohou spustit Diffusion Renderer?

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
3,080 tok/s 1,848–4,928 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.9 GB	Q8_0	Pohodlný
3,080 tok/s 1,848–4,928 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.9 GB	Q8_0	Pohodlný
2,460 tok/s 1,476–3,935 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.9 GB	Q8_0	Pohodlný
2,460 tok/s 1,476–3,935 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.9 GB	Q8_0	Pohodlný
1,967 tok/s 1,180–3,147 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.9 GB	Q8_0	Pohodlný
1,883 tok/s 1,130–3,012 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.9 GB	Q8_0	Pohodlný
1,883 tok/s 1,130–3,012 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.9 GB	Q8_0	Pohodlný
1,802 tok/s 1,081–2,883 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.9 GB	Q8_0	Pohodlný
1,599 tok/s 960–2,559 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Pohodlný
1,599 tok/s 960–2,559 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Pohodlný
1,599 tok/s 960–2,559 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Pohodlný
1,517 tok/s 910–2,427 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.9 GB	Q8_0	Pohodlný
1,294 tok/s 776–2,070 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Pohodlný
1,294 tok/s 776–2,070 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.9 GB	Q8_0	Pohodlný
1,294 tok/s 776–2,070 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Pohodlný
1,294 tok/s 776–2,070 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Pohodlný
1,294 tok/s 776–2,070 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Pohodlný
985 tok/s 591–1,576 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.9 GB	Q8_0	Pohodlný
985 tok/s 591–1,576 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.9 GB	Q8_0	Pohodlný
821 tok/s 493–1,313 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.9 GB	Q8_0	Pohodlný
803 tok/s 482–1,285 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.9 GB	Q8_0	Pohodlný
785 tok/s 471–1,257 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.9 GB	Q8_0	Pohodlný
785 tok/s 471–1,257 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.9 GB	Q8_0	Pohodlný
785 tok/s 471–1,257 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.9 GB	Q8_0	Pohodlný
785 tok/s 471–1,257 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.9 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: NVIDIA,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC)
Typ organizace: Industry,Academia,Academia,Academia
Země: United States of America, Canada
Publikováno: 22 March 2025
Autoři: Ruofan Liang, Zan Gojcic, Huan Ling, Jacob Munkberg, Jon Hasselgren, Zhi-Hao Lin, Jun Gao, Alexander Keller, Nandita Vijaykumar, Sanja Fidler, Zian Wang

Co to dělá

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

Doména: Video
Úkol: Video editing, Video-to-video, 3D segmentation
Základní model: Stable Video Diffusion
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: 1.1B
Výcviková data: 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.

Jak bylo ustanoveno: Hardware
Ladění výpočtů: 1.3 × 10²⁰ FLOP

Tréninkový běh

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

Tréninkový hardware: NVIDIA A100
Používané čipy: 32
Doba reálného času: 48 hours
Příkon: 25.1 kW

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: Unreleased
Hugging Face: nexuslrf

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: DiffusionRenderer: Neural Inverse and Forward Rendering with Video Diffusion Models
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Diffusion Renderer

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 Diffusion Renderer

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

Co čísla znamenají

Hardwarové požadavky v praxi

Minimum karta

Tesla C1080

Potřeba paměti

1.9 GB

Nejrychlejší

3,080 tok/s

Diffusion Renderer dosahuje počtu parametrů 1.1B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Vstupní bod je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 33.5 tokenů za sekundu

Špičkový model je B200, generování přibližně 3,080 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

Diffusion Renderer byl zveřejněn NVIDIA,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC), v zemi zaznamenané jako United States of America, během March 2025. Vydavatelská organizace je kategorizována jako industry,Academia,Academia,Academia.

funguje v oblasti Video, a je zaznamenán jako vykonávající úkol video editing, Video-to-video, 3D segmentation.

Místo toho, aby byl trénován od nuly, je odvozen z Stable Video Diffusion. To je důvod, proč sdílí obecný tvar a velikost základního modelu.

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 nexuslrf.

Co rozhoduje o rychlosti

Polovina karet, které to drží, zvládne více než 86.5 tokenů za sekundu 799 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.

Jak bylo trénováno

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

Krok za krokem

Jak vybrat GPU pro Diffusion Renderer

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

Tabulka uvádí každou kartu, která je schopna pojmout Diffusion Renderer, potřebující kolem 1.9 GB při kompresi Q8_0. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
02

Přizpůsobte kontext svému skutečnému použití

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. Diffusion Renderer.
03

Vyberte, jak moc to budete komprimovat.

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.
04

Třídit podle rychlosti

Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. Diffusion Renderer. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 3,080 tok/s
05

Podívejte se na rezervu, ne jen na padnutí

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

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

Odpovědi

Diffusion Renderer — běžné otázky

Diffusion Renderer— K čemu se to používá?

funguje v oblasti Video, a je zaznamenáno jako zpracovávající úkol video editing, Video-to-video, 3D segmentation. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.

Diffusion Renderer— kde si to mohu stáhnout?

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

Diffusion Renderer— 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. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Diffusion Renderer— 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.

Diffusion Renderer— 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.

Diffusion Renderer— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 1,848–4,928 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Diffusion Renderer— 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 1.9 GB, a produkuje přibližně 33.5 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

Diffusion Renderer— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 3,080 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 799.

Diffusion Renderer— kolik VRAM potřebuje?

Potřebuje asi 1.9 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.

Diffusion Renderer— 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 1.9 GB a generováním zhruba 574 tokenů za sekundu. Fit je pohodlný.

Diffusion Renderer— 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 1.9 GB a generováním zhruba 351 tokenů za sekundu. Fit je pohodlný.

Diffusion Renderer— 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 1.9 GB a generováním zhruba 435 tokenů za sekundu. Fit je pohodlný.

Diffusion Renderer— 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 1.9 GB a generováním zhruba 516 tokenů za sekundu. Fit je pohodlný.

Diffusion Renderer— 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.

Diffusion Renderer— kolik má parametrů?

Má počet parametrů 1.1B. "This model has 1.1B model parameters.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Diffusion Renderer— Kdo to vytvořil?

Bylo to publikováno společností NVIDIA,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC), zakládající se na United States of America, organizace zařazená jako industry,Academia,Academia,Academia.

Diffusion Renderer— Kdy byl vydán?

Bylo to zveřejněno v March 2025.

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