Llama 3.2 11B TPS kalkulátor

Otevřít váhy Meta AI 10.6B parametry September 2024

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

509 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Xeon Phi 5110P

8 GB · Q4_K_M · 19.2 tok/s

Nejrychlejší karta

B200

320 tok/s · 180 GB

Které GPU mohou spustit Llama 3.2 11B?

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.

509 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
320 tok/s 192–511 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	12.0 GB	Q8_0	Pohodlný
320 tok/s 192–511 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	12.0 GB	Q8_0	Pohodlný
255 tok/s 153–408 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	12.0 GB	Q8_0	Pohodlný
255 tok/s 153–408 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	12.0 GB	Q8_0	Pohodlný
204 tok/s 122–327 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	12.0 GB	Q8_0	Pohodlný
195 tok/s 117–313 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	12.0 GB	Q8_0	Pohodlný
195 tok/s 117–313 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	12.0 GB	Q8_0	Pohodlný
187 tok/s 112–299 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	12.0 GB	Q8_0	Pohodlný
166 tok/s 100–266 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	12.0 GB	Q8_0	Pohodlný
166 tok/s 100–266 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	12.0 GB	Q8_0	Pohodlný
166 tok/s 100–266 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	12.0 GB	Q8_0	Pohodlný
157 tok/s 94–252 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	12.0 GB	Q8_0	Pohodlný
137 tok/s 82–220 · nízká důvěra	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.1 GB	Q4_K_M	Těsný
134 tok/s 81–215 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	12.0 GB	Q8_0	Pohodlný
134 tok/s 81–215 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	12.0 GB	Q8_0	Pohodlný
134 tok/s 81–215 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	12.0 GB	Q8_0	Pohodlný
134 tok/s 81–215 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	12.0 GB	Q8_0	Pohodlný
134 tok/s 81–215 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	12.0 GB	Q8_0	Pohodlný
111 tok/s 67–178 · nízká důvěra	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.3 GB	Q5_K_M	Těsný
102 tok/s 61–164 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	12.0 GB	Q8_0	Pohodlný
102 tok/s 61–164 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	12.0 GB	Q8_0	Pohodlný
85.2 tok/s 51–136 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	12.0 GB	Q8_0	Pohodlný
83.4 tok/s 50–133 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	12.0 GB	Q8_0	Pohodlný
81.5 tok/s 49–130 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	12.0 GB	Q8_0	Pohodlný
81.5 tok/s 49–130 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	12.0 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: Meta AI
Typ organizace: Industry
Země: United States of America
Publikováno: 24 September 2024
Autoři: Meta AI

Co to dělá

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

Doména: Multimodal, Vision, Language
Úkol: Visual question answering, Image captioning, Object detection
Základní model: Llama 3.1-8B

Velikost

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

parametry: 10.6B
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.

Výpočty pro trénink: 5.8 × 10²³ FLOP
Jak bylo ustanoveno: Hardware
Ladění výpočtů: 3.5 × 10²³ FLOP

Tréninkový běh

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

Tréninkový hardware: NVIDIA H100 SXM5 80GB
Čip-hodiny: 246,120

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

Jak je to klasifikováno

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

Pravděpodobně nad 10²³ FLOP: Yes
Proč je to sledováno: Significant use
Záznam důvěry: Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Llama 3.2: Revolutionizing edge AI and vision with open, customizable models
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Llama 3.2 11B

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 3.2 11B

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

Co čísla znamenají

Co je potřeba k provozování tohoto modelu

Minimum karta

Xeon Phi 5110P

Potřeba paměti

7.1 GB

Nejrychlejší

320 tok/s

Llama 3.2 11B dosahuje počtu parametrů 10.6B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 509.

Nejmenší karta, která to pojme, je Xeon Phi 5110P, s kapacitou VRAM 8 GB, spuštění na kompresi Q4_K_M a vyrábějí kolem 19.2 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 320 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

Llama 3.2 11B byl zveřejněn Meta AI, v zemi zaznamenané jako United States of America, během September 2024. Kategorie, do které vydavatel spadá, je industry.

funguje v oblasti Multimodal, Vision, Language, a je zaznamenán jako vykonávající úkol visual question answering, Image captioning, Object detection.

Místo toho, aby byl trénován od nuly, je odvozen z Llama 3.1-8B. To je důvod, proč sdílí obecný tvar a velikost základního modelu.

Váhy jsou zveřejněny, takže si je můžete stáhnout a spustit na své vlastní hardwaru neomezeně, offline, bez připojeného účtu.

Jak rychle to běží a proč

Mediánový výsledek je kolem 20.7 tokenů za sekundu 462 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.

Jak bylo trénováno

Trénování si vyžádalo výpočetní rozpočet přibližně 5.8 × 10²³ 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.

Důvod, proč se to v tomto katalogu vůbec objevuje: significant use.

Krok za krokem

Jak vybrat GPU pro Llama 3.2 11B

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

Začněte od toho, co skutečně potřebuje, což je požadavek na Llama 3.2 11B, potřebující kolem 7.1 GB při kompresi Q4_K_M. 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. Llama 3.2 11B.
03

Nastavte minimální kvalitu

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.
04

Hodnoťte podle propustnosti spíše než podle specifikace

Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro Llama 3.2 11B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 320 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě Llama 3.2 11B. 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

Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě Llama 3.2 11B.

Odpovědi

Llama 3.2 11B — běžné otázky

Llama 3.2 11B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Xeon Phi 5110P, s kapacitou VRAM 8 GB. Spouští model při kompresi Q4_K_M používající přibližně 7.1 GB, a produkuje přibližně 19.2 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 509.

Llama 3.2 11B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 320 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 462.

Llama 3.2 11B— kolik VRAM potřebuje?

Potřebuje asi 7.1 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.

Llama 3.2 11B— mohu to spustit na GPU držící 8 GB?

Ano. GPU kartu CMP 170HX 8 GB, držení 8 GB, provozuje ho při kompresi Q4_K_M, používající přibližně 7.1 GB a generováním zhruba 137 tokenů za sekundu. Fit je těsný.

Llama 3.2 11B— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q6_K, používající přibližně 9.6 GB a generováním zhruba 53.0 tokenů za sekundu. Fit je těsný.

Llama 3.2 11B— 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 12.0 GB a generováním zhruba 45.2 tokenů za sekundu. Fit je těsný.

Llama 3.2 11B— 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 12.0 GB a generováním zhruba 53.5 tokenů za sekundu. Fit je pohodlný.

Llama 3.2 11B— 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 3.2 11B— kolik má parametrů?

Má počet parametrů 10.6B. https://huggingface.co/meta-llama/Llama-3.2-11B-Vision. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Llama 3.2 11B— Kdo to vytvořil?

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

Llama 3.2 11B— Kdy byl vydán?

Bylo to zveřejněno v September 2024. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

Llama 3.2 11B— K čemu se to používá?

funguje v oblasti Multimodal, Vision, Language, a je zaznamenáno jako zpracovávající úkol visual question answering, Image captioning, Object detection. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.

Llama 3.2 11B— 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.

Llama 3.2 11B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 5.8 × 10²³ 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.

Llama 3.2 11B— 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 1.7 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Llama 3.2 11B— 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: 509. Takže druhá karta je tu zřídka odpovědí.

Llama 3.2 11B— proč se kvantizace liší mezi kartami?

Každá KARTA je zobrazena, jak běží nejméně komprimovaná kopie, kterou může udržet. Počet různých úrovní komprese napříč KARTAMI, které ji vejít: 4. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Llama 3.2 11B— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 192–511 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 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