Llama 3.2 3B TPS kalkulátor

Otevřít váhy Meta AI 3.2B 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

818 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Tesla C1080

4 GB · Q4_K_M · 26.5 tok/s

Nejrychlejší karta

B200

1,056 tok/s · 180 GB

Které GPU mohou spustit Llama 3.2 3B?

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
1,056 tok/s 897–1,267	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	4.8 GB	Q8_0	Pohodlný
1,056 tok/s 897–1,267	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	4.8 GB	Q8_0	Pohodlný
843 tok/s 506–1,349 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	4.8 GB	Q8_0	Pohodlný
843 tok/s 506–1,349 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	4.8 GB	Q8_0	Pohodlný
674 tok/s 404–1,079 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	4.8 GB	Q8_0	Pohodlný
645 tok/s 548–774	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	4.8 GB	Q8_0	Pohodlný
645 tok/s 548–774	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	4.8 GB	Q8_0	Pohodlný
617 tok/s 370–988 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	4.8 GB	Q8_0	Pohodlný
548 tok/s 329–877 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	4.8 GB	Q8_0	Pohodlný
548 tok/s 329–877 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	4.8 GB	Q8_0	Pohodlný
548 tok/s 329–877 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	4.8 GB	Q8_0	Pohodlný
520 tok/s 442–624	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	4.8 GB	Q8_0	Pohodlný
443 tok/s 377–532	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	4.8 GB	Q8_0	Pohodlný
443 tok/s 377–532	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	4.8 GB	Q8_0	Pohodlný
443 tok/s 377–532	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	4.8 GB	Q8_0	Pohodlný
443 tok/s 377–532	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	4.8 GB	Q8_0	Pohodlný
443 tok/s 377–532	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	4.8 GB	Q8_0	Pohodlný
338 tok/s 203–540 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	4.8 GB	Q8_0	Pohodlný
338 tok/s 203–540 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	4.8 GB	Q8_0	Pohodlný
281 tok/s 169–450 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	4.8 GB	Q8_0	Pohodlný
275 tok/s 165–440 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	4.8 GB	Q8_0	Pohodlný
269 tok/s 229–323	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	4.8 GB	Q8_0	Pohodlný
269 tok/s 229–323	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	4.8 GB	Q8_0	Pohodlný
269 tok/s 229–323	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	4.8 GB	Q8_0	Pohodlný
269 tok/s 229–323	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	4.8 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

Co to dělá

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

Doména: Language
Úkol: Language modeling/generation, Text summarization, Question answering, Quantitative reasoning, Translation

Velikost

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

parametry: 3.2B
Výcviková data: 9,000,000,000,000 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: 1.7 × 10²³ FLOP
Jak bylo ustanoveno: Operation counting,Hardware

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: 460,000

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 3B

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 3B

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

Tesla C1080

Potřeba paměti

3.3 GB

Nejrychlejší

1,056 tok/s

Llama 3.2 3B dosahuje počtu parametrů 3.2B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Nejmenší karta, která to pojme, je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q4_K_M a vyrábějí kolem 26.5 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 1,056 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

Llama 3.2 3B 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 Language, a je zaznamenán jako vykonávající úkol language modeling/generation, Text summarization, Question answering, Quantitative reasoning, Translation.

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

Co rozhoduje o rychlosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 39.0 tokens za sekundu. Překračující rychlost čtení rovnou: 785 z nich

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

Protože je architektura zaznamenaná, sloupec paměti je odvozen spíše než odhadován.

Trénink a původ

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1.7 × 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.

Tréninková sada běžela na přibližně 9,000,000,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro Llama 3.2 3B

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 3B, potřebující kolem 3.3 GB při kompresi Q4_K_M. Kapacita je brána — karta buď ji má, nebo ne.
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 3B.
03

Vyberte, jak moc to budete komprimovat.

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

Třídit podle rychlosti

Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro Llama 3.2 3B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 1,056 tok/s
05

Podívejte se na rezervu, ne jen na padnutí

Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě Llama 3.2 3B. 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

Zkontrolujte kartu z druhé strany

Sledování KARTY až na její vlastní stránku ukazuje každý jiný model, který může držet, což je otázka, která následuje, jakmile se rozhodnete pro Llama 3.2 3B.

Odpovědi

Llama 3.2 3B — běžné otázky

Llama 3.2 3B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 1,056 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 785.

Llama 3.2 3B— kolik VRAM potřebuje?

Potřebuje asi 3.3 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 3B— 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 4.8 GB a generováním zhruba 197 tokenů za sekundu. Fit je pohodlný.

Llama 3.2 3B— 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 4.8 GB a generováním zhruba 120 tokenů za sekundu. Fit je pohodlný.

Llama 3.2 3B— 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 4.8 GB a generováním zhruba 149 tokenů za sekundu. Fit je pohodlný.

Llama 3.2 3B— 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 4.8 GB a generováním zhruba 177 tokenů za sekundu. Fit je pohodlný.

Llama 3.2 3B— 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 3B— kolik má parametrů?

Má počet parametrů 3.2B. https://huggingface.co/meta-llama/Llama-3.2-1B. 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 3B— Kdo to vytvořil?

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

Llama 3.2 3B— 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 3B— K čemu se to používá?

funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling/generation, Text summarization, Question answering, Quantitative reasoning, Translation. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

Llama 3.2 3B— 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 3B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 1.7 × 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 3B— 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.

Llama 3.2 3B— Běhalo by to rychleji na dvou GPU?

Druhá karta přibližně zdvojnásobí dostupnou paměť, ale ne rychlost generování. Počet, který je již schopen ji spustit sám: 818. Takže druhá karta je tu zřídka odpovědí.

Llama 3.2 3B— 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: 3. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Llama 3.2 3B— 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: 897–1,267 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 3B— 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 Q4_K_M používající přibližně 3.3 GB, a produkuje přibližně 26.5 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

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