Jamba 1.5-Large TPS-Rechner
Jede Karte unten wird anhand dieses Modells bei der von Ihnen gewählten Kontextlänge und Mindestqualität bewertet. Geschwindigkeit ist eine Schätzung für eine einzelne Anfrage, berechnet aus der Speicherbandbreite der Karte und der Größe des Modells, sobald es komprimiert ist..
Für dieses Modell berechnet
818 Karten, für die wir Spezifikationen haben
Kleinste Karte, die passt
Radeon Instinct MI325X
256 GB · IQ4_XS · 51.8 tok/s
Schnellste Karte
B300
83.2 tok/s · 288 GB
Welche GPUs können laufen Jamba 1.5-Large?
Setze die Eingaben, lies die Antwort
Ein längeres Gespräch benötigt mehr MEMORY, was dieses Modell von kleineren CARDS drängen kann..
Blendet Karten aus, die nur durch Komprimierung unter diesen Punkt in das Modell passen würden..
4 Karten passen
Berechnung| Braucht | Quantisierung | Passend | |||||
|---|---|---|---|---|---|---|---|
|
83.2
tok/s
50–133 · niedrige Vertrauenswürdigkeit |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 234.4 GB | Q4_K_M | knapp |
|
66.5
tok/s
40–106 · niedrige Vertrauenswürdigkeit |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 234.4 GB | Q4_K_M | knapp |
|
66.5
tok/s
40–106 · niedrige Vertrauenswürdigkeit |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 234.4 GB | Q4_K_M | knapp |
|
51.8
tok/s
31–83 · niedrige Vertrauenswürdigkeit |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 211.3 GB | IQ4_XS | knapp |
Die Geschwindigkeiten sind Schätzungen für eine einzelne Anfrage — ein Gespräch zur Zeit — berechnet aus BANDWIDTH, MODELLGRÖSSE und QUANTISIERUNG. Der tatsächliche Durchsatz variiert mit der INFERENZLAUFZEIT und ihrer Version. Zahlen, die von Hardwareanbietern veröffentlicht wurden, messen viele gleichzeitige Anfragen und sind viel höher..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- AI21 Labs
- Organisationsart
- Industry
- Land
- Israel
- Veröffentlicht
- 22 August 2024
- Autoren
- Barak Lenz, Alan Arazi, Amir Bergman, Avshalom Manevich, Barak Peleg, Ben Aviram, Chen Almagor, Clara Fridman, Dan Padnos, Daniel Gissin, Daniel Jannai, Dor Muhlgay, Dor Zimberg, Edden M Gerber, Elad Dolev, Eran Krakovsky, Erez Safahi, Erez Schwartz, Gal Cohen, Gal Shachaf, Haim Rozenblum, Hofit Bata, Ido Blass, Inbal Magar, Itay Dalmedigos, Jhonathan Osin, Julie Fadlon, Maria Rozman, Matan Danos,…
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling/generation, Chat, Translation, Question answering
- Ansatz
- Self-supervised learning
- Numerisches Format
- BF16
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 398B
- Trainingsdaten
- tokens
94B active/398B total
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA H100 SXM5 80GB
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (restricted use)
- Training-Code
- Unreleased
- Hugging Face
- ai21labs
Commercial use allowed up to $50M USD annual revenue.
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Wahrscheinlich über 10²³ FLOP
- Yes
- Warum es verfolgt wird
- Training cost
- Aufzeichnungsgenauigkeit
- Confident
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Jamba-1.5: Hybrid Transformer-Mamba Models at Scale
- Zuletzt aktualisiert
- 28 November 2025
Die Extreme
Die zehn schnellsten GPUs, die RUN. Jamba 1.5-Large
Sortiert nach geschätzten Tokens pro Sekunde, neueste Karte zuerst, wenn die Geschwindigkeiten gleich sind. Da die Generierung durch die Speichermenge begrenzt ist, folgt diese Reihenfolge der Bandbreite und nicht einem Gaming-Benchmark..
Die kleinsten GPUs, die immer noch laufen Jamba 1.5-Large
Die günstigste Route herein, nach Speichergröße. Ein enger Fit läuft das Modell, lässt aber nichts für ein längeres Gespräch übrig..
- 01 Radeon Instinct MI325X 256 GB · Braucht 211.3 GB · IQ4_XS · knapp 51.8 tok/s
- 02 B300 288 GB · Braucht 234.4 GB · Q4_K_M · knapp 83.2 tok/s
- 03 Radeon Instinct MI350X 288 GB · Braucht 234.4 GB · Q4_K_M · knapp 66.5 tok/s
- 04 Radeon Instinct MI355X 288 GB · Braucht 234.4 GB · Q4_K_M · knapp 66.5 tok/s
Was die Zahlen bedeuten
Hardware-Anforderungen in der Praxis
Minimale Karte
Radeon Instinct MI325X
Benötigter Speicher
211.3 GB
Schnellste
83.2 tok/s
Jamba 1.5-Large erreicht eine Parameteranzahl von 398B. Das übersteigt, was eine einzelne GPU-Karte hält. Es auszuführen bedeutet, entweder auf mehrere Karten aufzuteilen oder Hardware zu mieten, die für die Aufgabe gebaut ist, und jede Karte, die es alleine halten kann, ist ein Datacenter-Teil. Die Anzahl, die es kann: 4.
Der Einstiegspunkt ist Radeon Instinct MI325X, mit einer MEMORY-KAPAZITÄT von 256 GB, es mit einer Kompression von IQ4_XS und produziert etwa 51.8 Token pro Sekunde
Spitzenklasse ist B300, generieren ungefähr 83.2 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.
Was dieses Modell ist
Jamba 1.5-Large wurde veröffentlicht von AI21 Labs, im Land aufgezeichnet als Israel, während August 2024. Es stammt aus einer Organisation, die kategorisiert ist als industry.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation, Chat, Translation, Question answering.
Veröffentlichte Gewichte bedeuten, dass das Modell auf deinem Rechner läuft und nicht auf dem eines anderen, was die Hardwarefrage unten überhaupt beantwortbar macht. Es ist unter der Organisation auf Hugging Face veröffentlicht. ai21labs.
Was entscheidet die Geschwindigkeit
Die Hälfte der CARDS, die es halten, schaffen mehr als 66.5 Tokens pro Sekunde. Überschreitung der Lesegeschwindigkeit direkt: 4 von ihnen
Weil es jedes Token durch eine Teilmenge seiner OPEN WEIGHTS leitet, produziert es Text im Tempo eines viel kleineren MODELS. Der Haken ist der SPEICHER: alles muss immer noch passen, sodass die Geschwindigkeit ein Bonus und kein Nachlass auf die HARDWARE ist.
Der Speicher hier wird basierend auf der Größe geschätzt, anstatt aus der Architektur berechnet zu werden, die für dieses Modell nicht aufgezeichnet ist — die Zahlen sind eher indikativ als genau.
Was in den Aufbau geflossen ist
Das Einschlusskriterium: training cost.
Schritt für Schritt
Wie wählt man eine GPU für Jamba 1.5-Large
Die obige Tabelle hat bereits jede Karte, für die wir Spezifikationen haben, mit diesem Modell verglichen. Um zu Ihrer Antwort zu gelangen, sind sechs Schritte erforderlich..
-
01
Überprüfen Sie, was es benötigt, bevor alles andere.
Beginne mit dem, was es tatsächlich benötigt, nämlich der Anforderung von Jamba 1.5-Large, benötigt ungefähr 211.3 GB bei einer Kompression von IQ4_XS. Kein Maß an Rechenleistung kompensiert eine Karte, die es nicht halten kann.
-
02
Entscheide, wie lange deine Gespräche laufen
Längere Gespräche kosten MEMORY zusätzlich zu dem, was die WEIGHTS benötigen. Bewege den Schieberegler auf deine tatsächliche Arbeitslänge, bevor du einer Zeile vertraust. Jamba 1.5-Large.
-
03
Setze eine Qualitätsuntergrenze
Jede Karte läuft die am wenigsten komprimierte Kopie, die sie halten kann., eine Kompression von IQ4_XS auf der kleinsten Karte, die passt. Das Festlegen einer Mindestqualität fallen die Karten weg, die es nur schaffen, indem sie weiter gedrückt werden, als man möchte, und hält den Vergleich auf einem Niveau.
-
04
Nach Durchsatz und nicht nach Spezifikationen sortieren
Nach Geschwindigkeit sortieren, um zu sehen, wie die CARDS eingestuft sind für Jamba 1.5-Large. Es wird nicht mit einer Gaming-Bestellung übereinstimmen, da die Generation durch MEMORY-BANDWIDTH gebunden ist. Die Karte, die die Liste anführt, ist B300, bei 83.2 tok/s
-
05
Lies die Spalte "fit" zuletzt
Die Passform-Spalte trennt Karten, die es gerade so schaffen, von denen mit ausreichend Platz, im Falle von Jamba 1.5-Large. Komfortabel bedeutet, dass Sie den Kontext später erweitern können. Dieser Unterschied zählt mehr als ein paar Token pro Sekunde, also kaufen Sie für komfortabel, wenn Sie damit rechnen.
-
06
Sieh, was diese Karte noch ausführen kann.
Jede Karte verlinkt auf ihre eigene Seite, die dieselbe Berechnung über den gesamten Modellkatalog ausführt. Eine Karte wird normalerweise für mehr als ein Modell gekauft, daher lohnt sich ein Blick, bevor man kauft. Jamba 1.5-Large.
Antworten
Jamba 1.5-Large — Häufige Fragen
Jamba 1.5-Large— Welche GPU benötige ich, um es auszuführen?
Die kleinste Karte in unserem Katalog, die es hält, ist Radeon Instinct MI325X, mit einer MEMORY-KAPAZITÄT von 256 GB. Es führt das Modell mit einer Kompression von IQ4_XS verwenden von etwa 211.3 GB, und produziert ungefähr 51.8 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 4.
Jamba 1.5-Large— wie schnell ist es auf einer GPU?
Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B300, ungefähr 83.2 Tokens pro Sekunde; die langsamste, die es immer noch ausführt, schafft erheblich weniger. Die Lesegeschwindigkeit liegt bei etwa zehn Tokens pro Sekunde, und die Anzahl der Karten, die das bewältigen: 4.
Jamba 1.5-Large— Wie viel VRAM benötigt es?
Es benötigt etwa 211.3 GB bei einer Kompression von IQ4_XS, welche das ist, was die kleinste Karte, die es ausführt, verwendet. Weniger Kompression braucht mehr: die Zahlen in der Spalte für den Speicher oben werden für jede Karte neu berechnet, da jede die am wenigsten komprimierte Version, die sie kann, speichert.
Jamba 1.5-Large— Ist es Open-Source?
Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.
Jamba 1.5-Large— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 398B. 94B active/398B total. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
Jamba 1.5-Large— Wer hat es erstellt?
Es wurde veröffentlicht von AI21 Labs, basiert auf Israel, eine als kategorisierte Organisation industry.
Jamba 1.5-Large— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in August 2024. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Jamba 1.5-Large— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation, Chat, Translation, Question answering. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
Jamba 1.5-Large— Wo kann ich es herunterladen?
Seine Gewichte sind auf Hugging Face veröffentlicht, unter der Organisation ai21labs. Wir hosten keine Modell-Dateien — diese Seite berechnet, welche Hardware benötigt wird, um sie auszuführen.
Jamba 1.5-Large— Kann ich es ausführen, wenn es nicht in meine GPU passt?
Es kann zwischen der GPU-Karte und dem Systemspeicher aufgeteilt werden, aber es wird auf diese Weise schmerzhaft langsam erzeugt. Die nächste verpasste Berechnung bleibt hinter 61.6 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.
Jamba 1.5-Large— Würden zwei GPUs es schneller ausführen?
Zwei Karten kaufen Speicher statt Geschwindigkeit, was nur wichtig ist, wenn eine Karte es nicht halten kann. Die Anzahl, die es kann: 4. So eine zweite Karte ist hier selten die Antwort.
Jamba 1.5-Large— Warum unterscheidet sich die Quantisierung zwischen Karten?
Da die Kapazität variiert, variiert auch, wie sehr sie komprimiert werden muss. Die Anzahl der unterschiedlichen Ebenen in der obigen Tabelle: 2. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.
Jamba 1.5-Large— Wie genau sind diese Geschwindigkeitsabschätzungen?
Sie werden aus Spezifikationen berechnet, anstatt gemessen zu werden, und jede hat einen Bereich. Ein Beispiel: 50–133 tok/s auf B300. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.