Llama 3.2 90B TPS kalkulátor

Otevřít váhy Meta AI 88.6B 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

43 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Radeon Instinct MI200

64 GB · Q4_K_M · 14.1 tok/s

Nejrychlejší karta

B200

38.2 tok/s · 180 GB

Které GPU mohou spustit Llama 3.2 90B?

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.

43 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
38.2 tok/s 23–61 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	95.6 GB	Q8_0	Pohodlný
38.2 tok/s 23–61 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	95.6 GB	Q8_0	Pohodlný
30.5 tok/s 18–49 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	95.6 GB	Q8_0	Pohodlný
30.5 tok/s 18–49 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	95.6 GB	Q8_0	Pohodlný
28.7 tok/s 17–46 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	64.6 GB	Q5_K_M	Těsný
28.7 tok/s 17–46 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	64.6 GB	Q5_K_M	Těsný
27.4 tok/s 16–44 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	74.9 GB	Q6_K	Těsný
24.4 tok/s 15–39 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	95.6 GB	Q8_0	Pohodlný
23.4 tok/s 14–37 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	95.6 GB	Q8_0	Pohodlný
23.4 tok/s 14–37 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	95.6 GB	Q8_0	Pohodlný
23.3 tok/s 14–37 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	74.9 GB	Q6_K	Těsný
23.3 tok/s 14–37 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	74.9 GB	Q6_K	Těsný
23.3 tok/s 14–37 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	74.9 GB	Q6_K	Těsný
22.4 tok/s 13–36 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	95.6 GB	Q8_0	Pohodlný
22.3 tok/s 13–36 · nízká důvěra	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	54.3 GB	Q4_K_M	Těsný
19.9 tok/s 12–32 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	95.6 GB	Q8_0	Pohodlný
19.9 tok/s 12–32 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	95.6 GB	Q8_0	Pohodlný
19.9 tok/s 12–32 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	95.6 GB	Q8_0	Pohodlný
17.4 tok/s 10–28 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	64.6 GB	Q5_K_M	Těsný
17.4 tok/s 10–28 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	64.6 GB	Q5_K_M	Těsný
17.4 tok/s 10–28 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	64.6 GB	Q5_K_M	Těsný
17.4 tok/s 10–28 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	64.6 GB	Q5_K_M	Těsný
17.4 tok/s 10–28 · nízká důvěra	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	64.6 GB	Q5_K_M	Těsný
17.4 tok/s 10–28 · nízká důvěra	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	64.6 GB	Q5_K_M	Těsný
16.6 tok/s 10–27 · nízká důvěra	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	64.6 GB	Q5_K_M	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: Meta AI
Typ organizace: Industry
Země: United States of America
Publikováno: 24 September 2024

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 3.1-70B

Velikost

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

parametry: 88.6B
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.

Jak bylo ustanoveno: Hardware
Ladění výpočtů: 2.5 × 10²⁴ 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: 1,770,000

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
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 90B

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 90B

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

Co čísla znamenají

Hardwareová stránka

Minimum karta

Radeon Instinct MI200

Potřeba paměti

54.3 GB

Nejrychlejší

38.2 tok/s

Llama 3.2 90B dosahuje počtu parametrů 88.6B. To dává nad spotřebitelský hardware, do oblasti, kde je karta kupována za tímto účelem spíše než přepracována pro něj. Počet karet, které sledujeme a které to mohou pojmout: 43.

Na nízkém konci se to řeší pomocí Radeon Instinct MI200, s kapacitou VRAM 64 GB, spuštění na kompresi Q4_K_M a vyrábějí kolem 14.1 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je B200, generování přibližně 38.2 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

Llama 3.2 90B byl zveřejněn Meta AI, v zemi zaznamenané jako United States of America, během September 2024. Vychází z organizace, která je kategorizována jako industry.

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

Jeho výchozím bodem byl existující základní model, Llama 3.1-70B. To je obvyklý způsob, jak je specializovaný model vytvářen.

Otevřené váhy jsou to, co dává této stránce místo v kalkulátoru spíše než pouze v katalogu: je to model, který můžeš skutečně držet.

Co rozhoduje o rychlosti

Mediánový výsledek je kolem 17.4 tokenů za sekundu. Producing text faster than most people read it: 38 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.

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.

Krok za krokem

Jak vybrat GPU pro Llama 3.2 90B

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 3.2 90B, potřebující kolem 54.3 GB při kompresi Q4_K_M. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
02

Nastavte délku kontextu, se kterou budete pracovat

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 3.2 90B.
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.
04

Hodnoťte podle propustnosti spíše než podle specifikace

Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro Llama 3.2 90B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 38.2 tok/s
05

Přečtěte si poslední sloupec fit

Sloupec vhodnosti odděluje karty, které to jen tak tak zvládají, od těch, které mají místo navíc, v případě Llama 3.2 90B. 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

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. Llama 3.2 90B.

Odpovědi

Llama 3.2 90B — běžné otázky

Llama 3.2 90B— kolik VRAM potřebuje?

Potřebuje asi 54.3 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 90B— 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 90B— kolik má parametrů?

Má počet parametrů 88.6B. https://huggingface.co/meta-llama/Llama-3.2-90B-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 90B— Kdo to vytvořil?

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

Llama 3.2 90B— 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 90B— 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 90B— 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 90B— 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 11.1 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Llama 3.2 90B— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 43. Takže druhá karta je tu zřídka odpovědí.

Llama 3.2 90B— 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: 4. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Llama 3.2 90B— 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: 23–61 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 3.2 90B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Radeon Instinct MI200, s kapacitou VRAM 64 GB. Spouští model při kompresi Q4_K_M používající přibližně 54.3 GB, a produkuje přibližně 14.1 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 43.

Llama 3.2 90B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 38.2 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 38.

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