Llama 3.1-405B 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 · Q4_K_M · 11.3 tok/s
Schnellste Karte
B300
19.3 tok/s · 288 GB
Welche GPUs können laufen Llama 3.1-405B?
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 | |||||
|---|---|---|---|---|---|---|---|
|
19.3
tok/s
16–23 |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 224.3 GB | Q4_K_M | knapp |
|
15.4
tok/s
9–25 · niedrige Vertrauenswürdigkeit |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 224.3 GB | Q4_K_M | knapp |
|
15.4
tok/s
9–25 · niedrige Vertrauenswürdigkeit |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 224.3 GB | Q4_K_M | knapp |
|
11.3
tok/s
7–18 · niedrige Vertrauenswürdigkeit |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 224.3 GB | Q4_K_M | 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
- Meta AI
- Organisationsart
- Industry
- Land
- United States of America
- Veröffentlicht
- 23 July 2024
- Autoren
- Abhimanyu Dubey, Abhinav Jauhri, Abhinav Pandey, Abhishek Kadian, Ahmad Al-Dahle, Aiesha Letman, Alan Schelten, Amy Yang, Angela Fan, Anirudh Goyal, Anthony Hartshorn, Aobo Yang, Archi Mitra, Archie Sravankumar, Artem Korenev, Arthur Hinsvark, Arun Rao, Aston Zhang, Aurelien Rodriguez, Austen Gregerson, Ava Spataru, Baptiste Roziere, Bethany Biron, Binh Tang, Bobbie Chern, Charlotte Caucheteux, Ch…
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling/generation, Question answering, Code generation, Mathematical reasoning
- 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
- 405B
- Trainingsdaten
- 15,600,000,000,000 tokens
- Epochen
- 1
- Batch-Größe
- 16,000,000
405B
15.6T tokens
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 3.8 × 10²⁵ FLOP
- Wie es etabliert wurde
- Reported,Operation counting
- Post-Training Compute
- 9.4 × 10²² FLOP
Stated in paper. Also, 6 * 405B * 15.6T training tokens = 3.8e25
Section 4 gives detail about the post-training process. They do 6 rounds of post-training, using the model from the previous iteration in each successive round. In each round, they fine-tune a copy of the language model into a reward model (RM) using preference data, then use the reward model to do rejection sampling on human annotation prompts. Next they do supervised fine-tuning (SFT) on the rejection sampled data along with some synthetic data (8.5k to 9k steps per round). Next, they do Direc…
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
- Verwendete Chips
- 16,384
- Wand-Uhrzeit
- 2,142 hours (89.3 days)
- Hardware-Auslastung
- MFU 40.4%
- Stromverbrauch
- 22.6 MW
- Rechenkosten
- $52,885,434
Trained on 30.84M GPU hours (https://huggingface.co/blog/llama31) and used "up to 16K H100 GPU[s]" so training took at least 30.84M / 16k = 1927.5 hours or ~80 days. Section 3.3.4 gives reliability details over a 54 day period during training, for which they had "higher than 90% effective training time" 1927.5 / 0.9 = 2142 hours Probably, full training time is somewhat longer, since it sounds like there were periods where not all 16k H100s were running.
MFU ranges between 0.38 and 0.43 depending on the specific parallelism used; I assume the geometric mean: sqrt(0.38 * 0.43) = 0.4042
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
- Open (restricted use)
- Hugging Face
- meta-llama
Llama 3.1 model license: https://huggingface.co/meta-llama/Meta-Llama-3.1-8B/blob/main/LICENSE must seek separate license if over 700m monthly users, acceptable use restrictions training code here: https://github.com/meta-llama/llama-recipes/blob/main/src/llama_recipes/utils/train_utils.py#L70
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Grenzmodell
- Yes
- Wahrscheinlich über 10²³ FLOP
- Yes
- Warum es verfolgt wird
- SOTA improvement,Training cost
- Aufzeichnungsgenauigkeit
- Confident
High training compute, exceeds 4o and Claude 3.5 on some benchmarks: https://ai.meta.com/blog/meta-llama-3-1/
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- The Llama 3 Herd of Models
- Zuletzt aktualisiert
- 28 November 2025
Die Extreme
Die zehn schnellsten GPUs, die RUN. Llama 3.1-405B
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 Llama 3.1-405B
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 224.3 GB · Q4_K_M · knapp 11.3 tok/s
- 02 B300 288 GB · Braucht 224.3 GB · Q4_K_M · knapp 19.3 tok/s
- 03 Radeon Instinct MI350X 288 GB · Braucht 224.3 GB · Q4_K_M · knapp 15.4 tok/s
- 04 Radeon Instinct MI355X 288 GB · Braucht 224.3 GB · Q4_K_M · knapp 15.4 tok/s
Was die Zahlen bedeuten
Die Hardware-Seite
Minimale Karte
Radeon Instinct MI325X
Benötigter Speicher
224.3 GB
Schnellste
19.3 tok/s
Llama 3.1-405B erreicht eine Parameteranzahl von 405B. 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.
Am unteren Ende wird es von Radeon Instinct MI325X, mit einer MEMORY-KAPAZITÄT von 256 GB, es mit einer Kompression von Q4_K_M und produziert etwa 11.3 Token pro Sekunde
Am anderen Ende sitzt B300, generieren ungefähr 19.3 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.
Über dieses Modell
Llama 3.1-405B wurde veröffentlicht von Meta AI, im Land aufgezeichnet als United States of America, während July 2024. Die veröffentlichende Organisation ist als industry.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation, Question answering, Code generation, Mathematical reasoning.
Das Offen-Wiegen ist es, was diese Seite in den Rechner anstatt nur in den Katalog bringt: es ist ein Modell, das man tatsächlich halten kann. Es ist unter der Organisation auf Hugging Face veröffentlicht. meta-llama.
Wie schnell es läuft und warum
Das mediane Ergebnis liegt bei etwa 15.4 Tokens pro Sekunde. Überschreitung der Lesegeschwindigkeit direkt: 4 von ihnen
Jedes Gewicht beteiligt sich hier an jedem Token, daher ist die Bandbreite die gesamte Geschichte: Das Ranking unten ist effektiv ein Ranking des Speicher-Durchsatzes.
Das Attention-Layout ist in unserer Datenbank, sodass die Speicherstatistiken genau berechnet werden, anstatt geschätzt zu werden.
Training und Herkunft
Das Training benötigte ein Rechenbudget von ungefähr 3.8 × 10²⁵ FLOP, auf Hardware erfasst als NVIDIA H100 SXM5 80GB. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Es wurde auf einem Korpus von etwa 15,600,000,000,000 Text-Tokens
Das Einschlusskriterium: sOTA improvement,Training cost.
Schritt für Schritt
Wie wählt man eine GPU für Llama 3.1-405B
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
Lese zuerst die MEMORY-Zahl
Jede Karte hier wurde geprüft gegen Llama 3.1-405B, benötigt ungefähr 224.3 GB bei einer Kompression von Q4_K_M. Diese Zahl, nicht die Überschriftleistung einer Karte, entscheidet darüber, ob sie läuft.
-
02
Setzen Sie die CONTEXT LENGTH, an der Sie arbeiten werden.
Das Gespräch belegt ebenfalls Speicher und wächst, während es fortschreitet. Stellen Sie den Regler auf die Länge ein, die Sie erwarten, denn bei langem CONTEXT kann eine KARTE, die kurze Fragen mühelos verarbeitet, entfernt werden. Llama 3.1-405B.
-
03
Setze eine Qualitätsuntergrenze
Kompression ist das, was ein Modell auf kleinere GPU-Karten passt, mit einem gewissen Verlust an Genauigkeit., eine Kompression von Q4_K_M 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
Vergleiche TOKENS pro Sekunde, nicht Spezifikationen
Das Ranking nach Tokens pro Sekunde folgt der Speicherbandbreite anstelle der Kernanzahl, für Llama 3.1-405B. 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 19.3 tok/s
-
05
Lies die Spalte "fit" zuletzt
Tight bedeutet, dass es lädt und ohne Spielraum funktioniert, um den Kontext später zu erhöhen, im Fall von Llama 3.1-405B. 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
Überprüfen Sie die Karte von der anderen Seite
Das Folgen einer Karte zu ihrer eigenen Seite zeigt jedes andere Modell, das sie halten kann, was die Frage ist, die folgt, sobald Sie sich festgelegt haben. Llama 3.1-405B.
Antworten
Llama 3.1-405B — Häufige Fragen
Llama 3.1-405B— Würden zwei GPUs es schneller ausführen?
Eine zweite Karte verdoppelt grob den verfügbaren Speicher, aber nicht die Generationsrate. Die Anzahl, die bereits in der Lage ist, es allein auszuführen: 4. So eine zweite Karte ist hier selten die Antwort.
Llama 3.1-405B— Warum unterscheidet sich die Quantisierung zwischen Karten?
Eine größere Karte hält eine genauere Kopie. Die Anzahl der verwendeten Komprimierungsstufen über die Karten, die es ausführen: 1. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.
Llama 3.1-405B— Wie genau sind diese Geschwindigkeitsabschätzungen?
Jede Zahl leitet sich von VRAM-Bandbreite und Modellgröße ab, nicht benchmarked, weshalb jede als Bereich und nicht als einzelne Zahl veröffentlicht wird. Ein Beispiel: 16–23 tok/s auf B300. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.
Llama 3.1-405B— 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 Q4_K_M verwenden von etwa 224.3 GB, und produziert ungefähr 11.3 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 4.
Llama 3.1-405B— wie schnell ist es auf einer GPU?
Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B300, ungefähr 19.3 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.
Llama 3.1-405B— Wie viel VRAM benötigt es?
Es benötigt etwa 224.3 GB bei einer Kompression von Q4_K_M, 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.
Llama 3.1-405B— 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.
Llama 3.1-405B— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 405B. 405B. 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.
Llama 3.1-405B— Wer hat es erstellt?
Es wurde veröffentlicht von Meta AI, basiert auf United States of America, eine als kategorisierte Organisation industry.
Llama 3.1-405B— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in July 2024. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Llama 3.1-405B— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation, Question answering, Code generation, Mathematical reasoning. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
Llama 3.1-405B— Wo kann ich es herunterladen?
Seine Gewichte sind auf Hugging Face veröffentlicht, unter der Organisation meta-llama. Wir hosten keine Modell-Dateien — diese Seite berechnet, welche Hardware benötigt wird, um sie auszuführen.
Llama 3.1-405B— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 3.8 × 10²⁵ FLOP, auf Hardware erfasst als NVIDIA H100 SXM5 80GB. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
Llama 3.1-405B— 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 51.5 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.
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.