Llama Nemotron Ultra 253B TPS kalkulátor

Otevřít váhy NVIDIA 253B 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

9 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

H200 NVL

141 GB · Q3_K_M · 22.1 tok/s

Nejrychlejší karta

B200

30.9 tok/s · 180 GB

Které GPU mohou spustit Llama Nemotron Ultra 253B?

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.

9 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
30.9 tok/s 19–49 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	153.8 GB	Q4_K_M	Těsný
22.1 tok/s 13–35 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	124.3 GB	Q3_K_M	Těsný
22.1 tok/s 13–35 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	124.3 GB	Q3_K_M	Těsný
19.5 tok/s 12–31 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	212.7 GB	Q6_K	Pohodlný
16.1 tok/s 10–26 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	153.8 GB	Q4_K_M	Těsný
16.1 tok/s 10–26 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	153.8 GB	Q4_K_M	Těsný
15.5 tok/s 9–25 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	212.7 GB	Q6_K	Pohodlný
15.5 tok/s 9–25 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	212.7 GB	Q6_K	Pohodlný
11.4 tok/s 7–18 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	212.7 GB	Q6_K	Těsný

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
Typ organizace: Industry
Země: United States of America
Publikováno: 18 March 2025
Autoři: Akhiad Bercovich, Itay Levy, Izik Golan, Mohammad Dabbah, Ran El-Yaniv, Omri Puny, Ido Galil, Zach Moshe, Tomer Ronen, Najeeb Nabwani, Ido Shahaf, Oren Tropp, Ehud Karpas, Ran Zilberstein, Jiaqi Zeng, Soumye Singhal, Alexander Bukharin, Yian Zhang, Tugrul Konuk, Gerald Shen, Ameya Sunil Mahabaleshwarkar, Bilal Kartal, Yoshi Suhara, Olivier Delalleau, Zijia Chen, Zhilin Wang, David Mosallanezhad, A…

Co to dělá

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

Doména: Language
Úkol: Language modeling/generation, Question answering, Quantitative reasoning, Code generation, Neural Architecture Search - NAS
Základní model: Llama 3.1-405B

Velikost

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

parametry: 253B
Výcviková data: 603,000,000,000 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.

Výpočty pro trénink: 3.9 × 10²⁵ FLOP
Jak bylo ustanoveno: Operation counting
Ladění výpočtů: 1.1 × 10²⁴ FLOP

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 (restricted use)
Tréninkový kód: Unreleased
Hugging Face: nvidia

Jak je to klasifikováno

Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.

Frontier model: Yes
Pravděpodobně nad 10²³ FLOP: Yes
Záznam důvěry: Likely

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Ultra is 253B distilled from Llama 3.1 405B for maximum agentic accuracy on multi-GPU data center servers.
Nap poslední aktualizace: 21 July 2026

Extrémy

Deset nejrychlejších GPU, které běží Llama Nemotron Ultra 253B

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 Llama Nemotron Ultra 253B

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

H200 NVL

Potřeba paměti

124.3 GB

Nejrychlejší

30.9 tok/s

Llama Nemotron Ultra 253B dosahuje počtu parametrů 253B. To je nad rámec toho, co jakákoliv jednotlivá GPU karta pojme. Spuštění znamená buď rozdělení na několik karet, nebo pronájem hardwaru určeného k této práci, a každá karta schopná to unést samostatně je součástí datacentra. Počet, který může: 9.

Nejmenší hardware, který funguje, je H200 NVL, s kapacitou VRAM 141 GB, spuštění na kompresi Q3_K_M a vyrábějí kolem 22.1 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 30.9 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

Llama Nemotron Ultra 253B byl zveřejněn NVIDIA, v zemi zaznamenané jako United States of America, během March 2025. Kategorie, do které vydavatel spadá, je industry.

funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling/generation, Question answering, Quantitative reasoning, Code generation, Neural Architecture Search - NAS.

Místo toho, aby byl trénován od nuly, je odvozen z Llama 3.1-405B. Většina modelů na této úrovni je přizpůsobena z existující základny namísto toho, aby byla vytvořena od nuly.

Váhy jsou zveřejněny, takže si je můžete stáhnout a spustit na své vlastní hardwaru neomezeně, offline, bez připojeného účtu. Na Hugging Face je publikováno pod organizací nvidia.

Porozumění rychlostem

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 16.1 tokenů za sekundu. Producing text faster than most people read it: 9 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 3.9 × 10²⁵ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Tréninková sada běžela na přibližně 603,000,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro Llama Nemotron Ultra 253B

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

01

Zkontrolujte, co to potřebuje před čímkoli jiným.

Každá KARTA zde byla zkontrolována proti Llama Nemotron Ultra 253B, potřebující kolem 124.3 GB při kompresi Q3_K_M. Kapacita je brána — karta buď ji má, nebo ne.
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. Llama Nemotron Ultra 253B.
03

Nastavte minimální kvalitu

Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., dosahující komprese Q3_K_M 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

Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro Llama Nemotron Ultra 253B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 30.9 tok/s
05

Podívejte se na rezervu, ne jen na padnutí

Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě Llama Nemotron Ultra 253B. 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

Podívejte se, co dalšího ta karta spouští

Sledování KARTY až na její vlastní stránku ukazuje každý jiný model, který může držet, což je otázka, která následuje, jakmile se rozhodnete pro Llama Nemotron Ultra 253B.

Odpovědi

Llama Nemotron Ultra 253B — běžné otázky

Llama Nemotron Ultra 253B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je H200 NVL, s kapacitou VRAM 141 GB. Spouští model při kompresi Q3_K_M používající přibližně 124.3 GB, a produkuje přibližně 22.1 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 9.

Llama Nemotron Ultra 253B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 30.9 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 9.

Llama Nemotron Ultra 253B— kolik VRAM potřebuje?

Potřebuje asi 124.3 GB při kompresi Q3_K_M, 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.

Llama Nemotron Ultra 253B— 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.

Llama Nemotron Ultra 253B— kolik má parametrů?

Má počet parametrů 253B. 253B "Dense decoder-only Transformer model Network Architecture: Llama-3.1-405B-Instruct, customized through Neural Architecture Search (NAS) **This model was developed based on Llama-3.1-405B-Instruct ** This model has 253B 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.

Llama Nemotron Ultra 253B— Kdo to vytvořil?

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

Llama Nemotron Ultra 253B— Kdy byl vydán?

Bylo to zveřejněno v March 2025.

Llama Nemotron Ultra 253B— K čemu se to používá?

funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling/generation, Question answering, Quantitative reasoning, Code generation, Neural Architecture Search - NAS. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

Llama Nemotron Ultra 253B— kde si to mohu stáhnout?

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

Llama Nemotron Ultra 253B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 3.9 × 10²⁵ 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.

Llama Nemotron Ultra 253B— 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. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 38.6 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Llama Nemotron Ultra 253B— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 9. Takže druhá karta je tu zřídka odpovědí.

Llama Nemotron Ultra 253B— proč se kvantizace liší mezi kartami?

Protože se kapacita liší, liší se i to, jak moc musí být stlačena. Počet odlišných úrovní v tabulce výše: 3. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Llama Nemotron Ultra 253B— 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: 19–49 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 21 July 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