EXAONE Deep 2.4B TPS kalkulátor

Otevřít váhy LG AI Research 2.4B 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 · 15.4 tok/s

Nejrychlejší karta

B200

1,412 tok/s · 180 GB

Které GPU mohou spustit EXAONE Deep 2.4B?

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
1,412 tok/s 847–2,259 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.3 GB	Q8_0	Pohodlný
1,412 tok/s 847–2,259 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.3 GB	Q8_0	Pohodlný
1,127 tok/s 676–1,804 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.3 GB	Q8_0	Pohodlný
1,127 tok/s 676–1,804 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.3 GB	Q8_0	Pohodlný
902 tok/s 541–1,443 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.3 GB	Q8_0	Pohodlný
863 tok/s 518–1,381 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.3 GB	Q8_0	Pohodlný
863 tok/s 518–1,381 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.3 GB	Q8_0	Pohodlný
826 tok/s 496–1,321 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.3 GB	Q8_0	Pohodlný
733 tok/s 440–1,173 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.3 GB	Q8_0	Pohodlný
733 tok/s 440–1,173 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.3 GB	Q8_0	Pohodlný
733 tok/s 440–1,173 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.3 GB	Q8_0	Pohodlný
695 tok/s 417–1,112 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.3 GB	Q8_0	Pohodlný
593 tok/s 356–949 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.3 GB	Q8_0	Pohodlný
593 tok/s 356–949 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.3 GB	Q8_0	Pohodlný
593 tok/s 356–949 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.3 GB	Q8_0	Pohodlný
593 tok/s 356–949 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.3 GB	Q8_0	Pohodlný
593 tok/s 356–949 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.3 GB	Q8_0	Pohodlný
451 tok/s 271–722 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.3 GB	Q8_0	Pohodlný
451 tok/s 271–722 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.3 GB	Q8_0	Pohodlný
376 tok/s 226–602 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.3 GB	Q8_0	Pohodlný
368 tok/s 221–589 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.3 GB	Q8_0	Pohodlný
360 tok/s 216–576 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.3 GB	Q8_0	Pohodlný
360 tok/s 216–576 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.3 GB	Q8_0	Pohodlný
360 tok/s 216–576 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.3 GB	Q8_0	Pohodlný
360 tok/s 216–576 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.3 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: LG AI Research
Typ organizace: Industry
Země: Korea (Republic of)
Publikováno: 16 March 2025
Autoři: LG AI Research, Kyunghoon Bae, Eunbi Choi, Kibong Choi, Stanley Jungkyu Choi, Yemuk Choi, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Kijeong Jeon, Gerrard Jeongwon Jo, Hyunjik Jo, Jiyeon Jung, Hyosang Kim, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Youchul Kim, Edward Hwayoung Lee, Haeju Lee, Honglak Lee, Jinsik Lee, Kyungmin Lee, Sangha Park, Yongmin Park, Sihoon…

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
Základní model: EXAONE 3.5 2.4B

Velikost

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

parametry: 2.4B
Výcviková data: 12,000,000,000 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: 9.4 × 10²² FLOP
Jak bylo ustanoveno: Reported,Operation counting
Ladění výpočtů: 5.3 × 10²⁰ FLOP

Tréninkový běh

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

Tréninkový hardware: NVIDIA H100 SXM5 80GB
Cloudový poskytovatel: Google Cloud

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: LGAI-EXAONE

Jak je to klasifikováno

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

Záznam důvěry: Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: EXAONE Deep: LLMs with Enhanced Reasoning Performance
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží EXAONE Deep 2.4B

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 EXAONE Deep 2.4B

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

Co čísla znamenají

Hardwareová stránka

Minimum karta

Tesla C1080

Potřeba paměti

3.3 GB

Nejrychlejší

1,412 tok/s

EXAONE Deep 2.4B dosahuje počtu parametrů 2.4B. 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 15.4 tokenů za sekundu

Špičkový model je B200, generování přibližně 1,412 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

EXAONE Deep 2.4B byl zveřejněn LG AI Research, v zemi zaznamenané jako Korea (Republic of), 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.

Staví na EXAONE 3.5 2.4B. Většina modelů na této úrovni je přizpůsobena z existující základny namísto toho, aby byla vytvořena od nuly.

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 LGAI-EXAONE.

Porozumění rychlostem

Mediánový výsledek je kolem 39.6 tokenů za sekundu 783 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 9.4 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA H100 SXM5 80GB. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Trénink spotřeboval korpus kolem 12,000,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro EXAONE Deep 2.4B

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.

Začněte od toho, co skutečně potřebuje, což je požadavek na EXAONE Deep 2.4B, potřebující kolem 3.3 GB při kompresi Q8_0. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
02

Nastavte délku kontextu, se kterou budete pracovat

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. EXAONE Deep 2.4B.
03

Rozhodněte, jaké množství komprese přijmete

Každá KARTA spouští nejméně komprimovanou kopii, kterou může udržet., 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

Srovnejte TPS, ne specifikace

Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. EXAONE Deep 2.4B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 1,412 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě EXAONE Deep 2.4B. 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.

Každý název karty odkazuje na její vlastní stránku, která provádí stejný výpočet v celém katalogu modelů. Karta se obvykle kupuje pro více než jeden model, takže se vyplatí se podívat před tím, než koupíte. EXAONE Deep 2.4B.

Odpovědi

EXAONE Deep 2.4B — běžné otázky

EXAONE Deep 2.4B— kolik VRAM potřebuje?

Potřebuje asi 3.3 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.

EXAONE Deep 2.4B— 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 3.3 GB a generováním zhruba 263 tokenů za sekundu. Fit je pohodlný.

EXAONE Deep 2.4B— 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 3.3 GB a generováním zhruba 161 tokenů za sekundu. Fit je pohodlný.

EXAONE Deep 2.4B— 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 3.3 GB a generováním zhruba 199 tokenů za sekundu. Fit je pohodlný.

EXAONE Deep 2.4B— 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 3.3 GB a generováním zhruba 236 tokenů za sekundu. Fit je pohodlný.

EXAONE Deep 2.4B— 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.

EXAONE Deep 2.4B— kolik má parametrů?

Má počet parametrů 2.4B. 2.4B. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

EXAONE Deep 2.4B— Kdo to vytvořil?

Bylo to publikováno společností LG AI Research, zakládající se na Korea (Republic of), organizace zařazená jako industry.

EXAONE Deep 2.4B— Kdy byl vydán?

Bylo to zveřejněno v March 2025.

EXAONE Deep 2.4B— K čemu se to používá?

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

EXAONE Deep 2.4B— kde si to mohu stáhnout?

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

EXAONE Deep 2.4B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 9.4 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA H100 SXM5 80GB. 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.

EXAONE Deep 2.4B— 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.

EXAONE Deep 2.4B— 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.

EXAONE Deep 2.4B— 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: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

EXAONE Deep 2.4B— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 847–2,259 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

EXAONE Deep 2.4B— 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 3.3 GB, a produkuje přibližně 15.4 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

EXAONE Deep 2.4B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 1,412 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 783.

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