HAMSTER VLM TPS kalkulátor

Otevřít váhy NVIDIA,University of Washington,University of Southern California 13.5B parametry February 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

306 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

P102-101

10 GB · Q4_K_M · 19.7 tok/s

Nejrychlejší karta

B200

251 tok/s · 180 GB

Které GPU mohou spustit HAMSTER VLM?

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.

306 karty odpovídají

Vypočítávání
Potřebuje Kvantisace Pohodlné
251 tok/s

151–402 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 15.1 GB Q8_0 Pohodlný
251 tok/s

151–402 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 15.1 GB Q8_0 Pohodlný
201 tok/s

120–321 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 15.1 GB Q8_0 Pohodlný
201 tok/s

120–321 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 15.1 GB Q8_0 Pohodlný
160 tok/s

96–257 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 15.1 GB Q8_0 Pohodlný
153 tok/s

92–246 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 15.1 GB Q8_0 Pohodlný
153 tok/s

92–246 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 15.1 GB Q8_0 Pohodlný
147 tok/s

88–235 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 15.1 GB Q8_0 Pohodlný
130 tok/s

78–209 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 15.1 GB Q8_0 Pohodlný
130 tok/s

78–209 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 15.1 GB Q8_0 Pohodlný
130 tok/s

78–209 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 15.1 GB Q8_0 Pohodlný
124 tok/s

74–198 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 15.1 GB Q8_0 Pohodlný
113 tok/s

68–181 · nízká důvěra

CMP 170HX 10 GB NVIDIA 10 GB 1,560 GB/s Sep 2021 8.9 GB Q4_K_M Těsný
105 tok/s

63–169 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 15.1 GB Q8_0 Pohodlný
105 tok/s

63–169 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 15.1 GB Q8_0 Pohodlný
105 tok/s

63–169 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 15.1 GB Q8_0 Pohodlný
105 tok/s

63–169 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 15.1 GB Q8_0 Pohodlný
105 tok/s

63–169 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 15.1 GB Q8_0 Pohodlný
80.3 tok/s

48–128 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 15.1 GB Q8_0 Pohodlný
80.3 tok/s

48–128 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 15.1 GB Q8_0 Pohodlný
66.9 tok/s

40–107 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 15.1 GB Q8_0 Pohodlný
65.5 tok/s

39–105 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 15.1 GB Q8_0 Pohodlný
64.0 tok/s

38–102 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 15.1 GB Q8_0 Pohodlný
64.0 tok/s

38–102 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 15.1 GB Q8_0 Pohodlný
64.0 tok/s

38–102 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 15.1 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
NVIDIA,University of Washington,University of Southern California
Typ organizace
Industry,Academia,Academia
Země
United States of America
Publikováno
8 February 2025
Autoři
Yi Li, Yuquan Deng, Jesse Zhang, Joel Jang, Marius Memmel, Raymond Yu, Caelan Reed Garrett, Fabio Ramos, Dieter Fox, Anqi Li, Abhishek Gupta, Ankit Goyal

Co to dělá

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

Doména
Robotics
Úkol
Robotic manipulation
Základní model
VILA1.5-13B
Číselný formát
BF16

Velikost

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

parametry
13.5B

https://huggingface.co/yili18/Hamster_dev VLM: VILA 1.5-13b, 13493916736 parameters policy: either RVT-2 or 3D-DA this record is for the HAMSTER VLM, so the policy is not included

Výcviková data
tokens
Velikost dávky
256

B.1, VLM Training Details: "We use an effective batch size of 256..."

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
2.4 × 10²¹ FLOP

2.3003136e+21 FLOP [base model compute] + 1.078272e20 FLOP [fimetune compute] = 2.4081408e+21 FLOP

Jak bylo ustanoveno
Hardware
Ladění výpočtů
1.1 × 10²⁰ FLOP

B.1, VLM Training Details: "We train our VLM, VILA1.5-13B Lin et al. (2024), on a node equipped with eight NVIDIA A100 GPUs, each utilizing approximately 65 GB of memory. The training process takes about 30 hours to complete. We use an effective batch size of 256 and a learning rate of 1×10−5. During fine-tuning, the entire model—including the vision encoder—is updated." 65GB/GPU, 8 GPU -> A100 SXM4 80 GB https://huggingface.co/Efficient-Large-Model/VILA1.5-13b/blob/main/config.json "torch_dtyp…

Tréninkový běh

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

Tréninkový hardware
NVIDIA A100 SXM4 80 GB
Používané čipy
8
Doba reálného času
30 hours

B.1, VLM Training Details: "We train our VLM, VILA1.5-13B Lin et al. (2024), on a node equipped with eight NVIDIA A100 GPUs, each utilizing approximately 65 GB of memory. The training process takes about 30 hours to complete. We use an effective batch size of 256 and a learning rate of 1×10−5. During fine-tuning, the entire model—including the vision encoder—is updated."

Příkon
6.3 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

https://github.com/liyi14/HAMSTER_beta [no clear license]

Jak je to klasifikováno

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

Záznam důvěry
Confident
Citace
104

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
HAMSTER: Hierarchical Action Models For Open-World Robot Manipulation
Nap poslední aktualizace
25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží HAMSTER VLM

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_0 251 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 251 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 201 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 201 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 160 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 153 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 153 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 147 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 130 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 130 tok/s

Nejmenší GPU, které ještě běží HAMSTER VLM

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

  1. 01 Arc B570 10 GB · Potřebuje 8.9 GB · Q4_K_M · Těsný 17.9 tok/s
  2. 02 Xbox Series X 6nm GPU 10 GB · Potřebuje 8.9 GB · Q4_K_M · Těsný 31.7 tok/s
  3. 03 Radeon RX 6750 GRE 10 GB 10 GB · Potřebuje 8.9 GB · Q4_K_M · Těsný 18.1 tok/s
  4. 04 CMP 170HX 10 GB 10 GB · Potřebuje 8.9 GB · Q4_K_M · Těsný 113 tok/s
  5. 05 CMP 90HX 10 GB · Potřebuje 8.9 GB · Q4_K_M · Těsný 55.1 tok/s
  6. 06 CMP 50HX 10 GB · Potřebuje 8.9 GB · Q4_K_M · Těsný 40.6 tok/s
  7. 07 Radeon RX 6700 10 GB · Potřebuje 8.9 GB · Q4_K_M · Těsný 18.1 tok/s
  8. 08 Radeon RX 6700M 10 GB · Potřebuje 8.9 GB · Q4_K_M · Těsný 18.1 tok/s
  9. 09 Xbox Series X GPU 10 GB · Potřebuje 8.9 GB · Q4_K_M · Těsný 31.7 tok/s
  10. 10 GeForce RTX 3080 10 GB · Potřebuje 8.9 GB · Q4_K_M · Těsný 55.1 tok/s

Co čísla znamenají

Co je potřeba k provozování tohoto modelu

Minimum karta

P102-101

Potřeba paměti

8.9 GB

Nejrychlejší

251 tok/s

HAMSTER VLM dosahuje počtu parametrů 13.5B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 306.

Nejmenší karta, která to pojme, je P102-101, s kapacitou VRAM 10 GB, spuštění na kompresi Q4_K_M a vyrábějí kolem 19.7 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 251 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

HAMSTER VLM byl zveřejněn NVIDIA,University of Washington,University of Southern California, v zemi zaznamenané jako United States of America, během February 2025. Vychází z organizace, která je kategorizována jako industry,Academia,Academia.

funguje v oblasti Robotics, a je zaznamenán jako vykonávající úkol robotic manipulation.

Staví na VILA1.5-13B. Většina modelů na této úrovni je přizpůsobena z existující základny namísto toho, aby byla vytvořena od nuly.

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

Porozumění rychlostem

Mediánový výsledek je kolem 21.1 tokens za sekundu. Překračující rychlost čtení rovnou: 269 z nich

Každá váha se účastní každého tokenu zde, takže šířka pásma je celá historie: hodnocení níže je ve skutečnosti hodnocením propustnosti paměti.

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

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 2.4 × 10²¹ FLOP, na hardwaru zaznamenáno jako NVIDIA A100 SXM4 80 GB. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Krok za krokem

Jak vybrat GPU pro HAMSTER VLM

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

  1. 01

    Začněte od sloupce paměti

    Tabulka uvádí každou kartu, která je schopna pojmout HAMSTER VLM, potřebující kolem 8.9 GB při kompresi Q4_K_M. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.

  2. 02

    Přizpůsobte kontext svému skutečnému použití

    Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro HAMSTER VLM.

  3. 03

    Rozhodněte, jaké množství komprese přijmete

    Každá KARTA spouští nejméně komprimovanou kopii, kterou může udržet., dosahující komprese Q4_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.

  4. 04

    Srovnejte TPS, ne specifikace

    Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. HAMSTER VLM. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 251 tok/s

  5. 05

    Podívejte se na rezervu, ne jen na padnutí

    Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě HAMSTER VLM. 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

    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 HAMSTER VLM.

Odpovědi

HAMSTER VLM — běžné otázky

01

HAMSTER VLM— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 251 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 269.

02

HAMSTER VLM— kolik VRAM potřebuje?

Potřebuje asi 8.9 GB při kompresi Q4_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.

03

HAMSTER VLM— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q5_K_M, používající přibližně 10.4 GB a generováním zhruba 51.1 tokenů za sekundu. Fit je těsný.

04

HAMSTER VLM— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q6_K, používající přibližně 12.0 GB a generováním zhruba 51.5 tokenů za sekundu. Fit je těsný.

05

HAMSTER VLM— 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 15.1 GB a generováním zhruba 42.1 tokenů za sekundu. Fit je pohodlný.

06

HAMSTER VLM— 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.

07

HAMSTER VLM— kolik má parametrů?

Má počet parametrů 13.5B. https://huggingface.co/yili18/Hamster_dev VLM: VILA 1.5-13b, 13493916736 parameters policy: either RVT-2 or 3D-DA this record is for the HAMSTER VLM, so the policy is not included. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

08

HAMSTER VLM— Kdo to vytvořil?

Bylo to publikováno společností NVIDIA,University of Washington,University of Southern California, zakládající se na United States of America, organizace zařazená jako industry,Academia,Academia.

09

HAMSTER VLM— Kdy byl vydán?

Bylo to zveřejněno v February 2025.

10

HAMSTER VLM— K čemu se to používá?

funguje v oblasti Robotics, a je zaznamenáno jako zpracovávající úkol robotic manipulation. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

11

HAMSTER VLM— 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.

12

HAMSTER VLM— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 2.4 × 10²¹ FLOP, na hardwaru zaznamenáno jako NVIDIA A100 SXM4 80 GB. 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.

13

HAMSTER VLM— 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. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 1.7 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

14

HAMSTER VLM— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 306. Takže druhá karta je tu zřídka odpovědí.

15

HAMSTER VLM— proč se kvantizace liší mezi kartami?

Větší karta obsahuje přesnější kopii. Počet úrovní komprese používaných na kartách, které ji provádějí: 4. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

16

HAMSTER VLM— 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: 151–402 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

17

HAMSTER VLM— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je P102-101, s kapacitou VRAM 10 GB. Spouští model při kompresi Q4_K_M používající přibližně 8.9 GB, a produkuje přibližně 19.7 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 306.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 25 May 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