Llama Nemotron Super 49B TPS kalkulátor

Otevřít váhy NVIDIA 49B 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

93 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Radeon PRO V710

28 GB · Q3_K_M · 9.2 tok/s

Nejrychlejší karta

B200

69.2 tok/s · 180 GB

Které GPU mohou spustit Llama Nemotron Super 49B?

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.

93 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
69.2 tok/s 41–111 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	53.2 GB	Q8_0	Pohodlný
69.2 tok/s 41–111 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	53.2 GB	Q8_0	Pohodlný
55.2 tok/s 33–88 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	53.2 GB	Q8_0	Pohodlný
55.2 tok/s 33–88 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	53.2 GB	Q8_0	Pohodlný
44.2 tok/s 27–71 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	53.2 GB	Q8_0	Pohodlný
42.3 tok/s 25–68 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	53.2 GB	Q8_0	Pohodlný
42.3 tok/s 25–68 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	53.2 GB	Q8_0	Pohodlný
40.5 tok/s 24–65 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	53.2 GB	Q8_0	Pohodlný
39.7 tok/s 24–64 · nízká důvěra	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.5 GB	IQ4_XS	Těsný
39.7 tok/s 24–64 · nízká důvěra	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.5 GB	IQ4_XS	Těsný
38.0 tok/s 23–61 · nízká důvěra	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.5 GB	IQ4_XS	Těsný
38.0 tok/s 23–61 · nízká důvěra	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.5 GB	IQ4_XS	Těsný
35.9 tok/s 22–57 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	53.2 GB	Q8_0	Pohodlný
35.9 tok/s 22–57 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	53.2 GB	Q8_0	Pohodlný
35.9 tok/s 22–57 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	53.2 GB	Q8_0	Pohodlný
34.1 tok/s 20–54 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	53.2 GB	Q8_0	Pohodlný
31.1 tok/s 19–50 · nízká důvěra	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	30.3 GB	Q4_K_M	Těsný
31.1 tok/s 19–50 · nízká důvěra	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	30.3 GB	Q4_K_M	Těsný
31.1 tok/s 19–50 · nízká důvěra	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	30.3 GB	Q4_K_M	Těsný
29.0 tok/s 17–46 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	53.2 GB	Q8_0	Pohodlný
29.0 tok/s 17–46 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	53.2 GB	Q8_0	Pohodlný
29.0 tok/s 17–46 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	53.2 GB	Q8_0	Pohodlný
29.0 tok/s 17–46 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	53.2 GB	Q8_0	Pohodlný
29.0 tok/s 17–46 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	53.2 GB	Q8_0	Pohodlný
24.0 tok/s 14–38 · nízká důvěra	Tesla PG500-216 NVIDIA	32 GB	1,130 GB/s	Nov 2019	27.5 GB	IQ4_XS	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 3.3 70B

Velikost

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

parametry: 49B
Výcviková data: 100,000,000,000 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.

Jak bylo ustanoveno: Operation counting
Ladění výpočtů: 2.9 × 10²² 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.

Záznam důvěry: Likely

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Super is 49B distilled from Llama 3.3 70B for best accuracy with highest throughput on a data center GPU.
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Llama Nemotron Super 49B

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 Super 49B

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

Radeon PRO V710

Potřeba paměti

24.6 GB

Nejrychlejší

69.2 tok/s

Llama Nemotron Super 49B dosahuje počtu parametrů 49B. To přistane v oblasti, kterou může zvládnout seriózní desktopová KARTA, jakmile jsou VÁHY zkomprimovány. Počet KARET, které sledujeme a které to mohou spustit: 93.

Nejmenší hardware, který funguje, je Radeon PRO V710, s kapacitou VRAM 28 GB, spuštění na kompresi Q3_K_M a vyrábějí kolem 9.2 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je B200, generování přibližně 69.2 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

Llama Nemotron Super 49B byl zveřejněn NVIDIA, v zemi zaznamenané jako United States of America, během March 2025. Vychází z organizace, která je kategorizována jako 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 3.3 70B. To je obvyklý způsob, jak je specializovaný model vytvářen.

Zveřejněné váhy znamenají, že model běží na vašem stroji, nikoli na stroji někoho jiného, což činí otázku ohledně hardwaru níže odpovídatelnou. Na Hugging Face je publikováno pod organizací nvidia.

Jak rychle to běží a proč

Mediánový výsledek je kolem 17.5 tokenů za sekundu 71 z nich

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

Jeho vnitřní architektura není v evidenci, takže paměť je přibližně odhadnuta z počtu parametrů a označena odpovídajícím způsobem. Očekávejte, že skutečná čísla se budou lišit, zejména u dlouhého kontextu.

Co bylo zapotřebí k jeho vybudování

Trénink spotřeboval korpus kolem 100,000,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro Llama Nemotron Super 49B

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

01

Začněte od sloupce paměti

Tabulka uvádí každou kartu, která je schopna pojmout Llama Nemotron Super 49B, potřebující kolem 24.6 GB při kompresi Q3_K_M. Kapacita je brána — karta buď ji má, nebo ne.
02

Nastavte délku kontextu, se kterou budete pracovat

Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro Llama Nemotron Super 49B.
03

Rozhodněte, jaké množství komprese přijmete

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

Hodnoťte podle propustnosti spíše než podle specifikace

Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro Llama Nemotron Super 49B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 69.2 tok/s
05

Přečtěte si poslední sloupec fit

Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě Llama Nemotron Super 49B. 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 Llama Nemotron Super 49B.

Odpovědi

Llama Nemotron Super 49B — běžné otázky

Llama Nemotron Super 49B— 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 8.7 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Llama Nemotron Super 49B— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 93. Takže druhá karta je tu zřídka odpovědí.

Llama Nemotron Super 49B— proč se kvantizace liší mezi kartami?

Větší karta obsahuje přesnější kopii. Počet úrovní komprese používaných na kartách, které ji provádějí: 5. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Llama Nemotron Super 49B— Jak přesné jsou tyto odhady rychlosti?

Toto jsou odhady s reálnými chybami a kterýkoli z nich může rozumně spadnout kamkoli v jeho publikovaném rozmezí v závislosti na tom, který run AI model použijete. Nejrychlejší výsledek zde: 41–111 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Llama Nemotron Super 49B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Radeon PRO V710, s kapacitou VRAM 28 GB. Spouští model při kompresi Q3_K_M používající přibližně 24.6 GB, a produkuje přibližně 9.2 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 93.

Llama Nemotron Super 49B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 69.2 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 71.

Llama Nemotron Super 49B— kolik VRAM potřebuje?

Potřebuje asi 24.6 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 Super 49B— 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 Super 49B— kolik má parametrů?

Má počet parametrů 49B. The model is a derivative of Meta’s Llama-3.3-70B-Instruct, using Neural Architecture Search (NAS). The NAS algorithm results in non-standard and non-repetitive blocks. This includes the following: Skip attention: In some blocks, the attention is skipped entirely, or replaced with a single linear layer. Variable FFN: The expansion/compression ratio in the FFN layer is different between blocks. We utilize a block-wise distillation of the reference model, where for each block we create multiple variants providing different tradeoffs of quality vs. computational complexity, discussed in more depth below. We then search over the blocks to create a model which meets the required throughput and memory (optimized for a single H100-80GB GPU) while minimizing the quality degradation. 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 Super 49B— Kdo to vytvořil?

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

Llama Nemotron Super 49B— Kdy byl vydán?

Bylo to zveřejněno v March 2025.

Llama Nemotron Super 49B— 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. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.

Llama Nemotron Super 49B— 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.

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