Llama 3.1-8B TPS-Rechner

Offene Gewichte Meta AI 8B Parameter July 2024

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

582 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

Quadro 6000

6 GB · Q3_K_M · 17.4 tok/s

Schnellste Karte

B200

424 tok/s · 180 GB

Welche GPUs können laufen Llama 3.1-8B?

Setze die Eingaben, lies die Antwort

Kontextlänge Token

Ein längeres Gespräch benötigt mehr MEMORY, was dieses Modell von kleineren CARDS drängen kann..

Minimale Qualität

Blendet Karten aus, die nur durch Komprimierung unter diesen Punkt in das Modell passen würden..

Suchkarten

Karten-VRAM

Zeige auch Karten, die es nicht ausführen können.

582 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
424 tok/s 360–508	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	9.8 GB	Q8_0	Komfortabel
424 tok/s 360–508	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	9.8 GB	Q8_0	Komfortabel
338 tok/s 203–541 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	9.8 GB	Q8_0	Komfortabel
338 tok/s 203–541 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	9.8 GB	Q8_0	Komfortabel
270 tok/s 162–433 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	9.8 GB	Q8_0	Komfortabel
259 tok/s 220–311	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.8 GB	Q8_0	Komfortabel
259 tok/s 220–311	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.8 GB	Q8_0	Komfortabel
248 tok/s 149–396 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	9.8 GB	Q8_0	Komfortabel
220 tok/s 132–352 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Komfortabel
220 tok/s 132–352 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Komfortabel
220 tok/s 132–352 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Komfortabel
209 tok/s 177–250	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	9.8 GB	Q8_0	Komfortabel
178 tok/s 151–213	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Komfortabel
178 tok/s 151–213	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	9.8 GB	Q8_0	Komfortabel
178 tok/s 151–213	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Komfortabel
178 tok/s 151–213	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Komfortabel
178 tok/s 151–213	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Komfortabel
141 tok/s 120–169	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.0 GB	Q5_K_M	knapp
135 tok/s 81–217 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	9.8 GB	Q8_0	Komfortabel
135 tok/s 81–217 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	9.8 GB	Q8_0	Komfortabel
120 tok/s 102–144	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	7.9 GB	Q6_K	knapp
113 tok/s 68–181 · niedrige Vertrauenswürdigkeit	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	9.8 GB	Q8_0	Komfortabel
110 tok/s 66–177 · niedrige Vertrauenswürdigkeit	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	9.8 GB	Q8_0	Komfortabel
108 tok/s 92–130	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	9.8 GB	Q8_0	Komfortabel
108 tok/s 92–130	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	9.8 GB	Q8_0	Komfortabel

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

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: 8B
Trainingsdaten: 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: 1.2 × 10²⁴ FLOP
Wie es etabliert wurde: Hardware,Operation counting

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

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
Aufzeichnungsgenauigkeit: Likely

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 3.1-8B

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 3.1-8B

Die günstigste Route herein, nach Speichergröße. Ein enger Fit läuft das Modell, lässt aber nichts für ein längeres Gespräch übrig..

Was die Zahlen bedeuten

Hardware-Anforderungen in der Praxis

Minimale Karte

Quadro 6000

Benötigter Speicher

5.1 GB

Schnellste

424 tok/s

Llama 3.1-8B erreicht eine Parameteranzahl von 8B. Das ist klein genug, dass Hardware selten das Hindernis ist, einschließlich bei Karten, die mehrere Jahre alt sind. Die Anzahl der Karten, die wir verfolgen, die es ausführen können: 582.

Der Einstiegspunkt ist Quadro 6000, mit einer MEMORY-KAPAZITÄT von 6 GB, es mit einer Kompression von Q3_K_M und produziert etwa 17.4 Token pro Sekunde

Die schnellste Berechnung dafür ist B200, generieren ungefähr 424 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Was dieses Modell ist

Llama 3.1-8B wurde veröffentlicht von Meta AI, im Land aufgezeichnet als United States of America, während July 2024. Die Kategorie, in die der Herausgeber fällt, ist industry.

Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation.

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.

Was entscheidet die Geschwindigkeit

Über jede Karte, die es ausführen kann, liegt die Mitte der Reihe bei 23.8 Token pro Sekunde. Text schneller produzieren, als die meisten Menschen ihn lesen. 551 von ihnen

Da es dicht ist, liest es sich selbst pro Token, weshalb die Anordnung nach Geschwindigkeit unten so eng der Anordnung nach Speicherbandbreite folgt.

Das Attention-Layout ist in unserer Datenbank, sodass die Speicherstatistiken genau berechnet werden, anstatt geschätzt zu werden.

Was in den Aufbau geflossen ist

Das Training benötigte ein Rechenbudget von ungefähr 1.2 × 10²⁴ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.

Schritt für Schritt

Wie wählt man eine GPU für Llama 3.1-8B

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

Beginnen Sie mit der Speicher-Spalte

Die Tabelle listet jede Karte auf, die in der Lage ist, zu halten Llama 3.1-8B, benötigt ungefähr 5.1 GB bei einer Kompression von Q3_K_M. Die Kapazität ist das Tor — eine Karte hält es entweder oder sie tut es nicht.
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 3.1-8B.
03

Wähle, wie weit du es komprimieren möchtest.

Kompression ist das, was ein Modell auf kleinere GPU-Karten passt, mit einem gewissen Verlust an Genauigkeit., eine Kompression von Q3_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 3.1-8B. Es wird nicht mit einer Gaming-Bestellung übereinstimmen, da die Generation durch MEMORY-BANDWIDTH gebunden ist. Die Karte, die die Liste anführt, ist B200, bei 424 tok/s
05

Achte auf den Spielraum, nicht nur auf das Passende.

Ein enger Sitz läuft, lässt jedoch nichts für ein längeres Gespräch übrig, im Falle von Llama 3.1-8B. 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 Karten-Seite wiederholt diesen Ablauf für jedes Modell, das wir in unserem Bestand haben, und beantwortet, wofür die Hardware darüber hinaus noch gut ist. Llama 3.1-8B.

Antworten

Llama 3.1-8B — Häufige Fragen

Llama 3.1-8B— 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 3.1-8B— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 8B. 8B. 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 3.1-8B— Wer hat es erstellt?

Es wurde veröffentlicht von Meta AI, basiert auf United States of America, eine als kategorisierte Organisation industry.

Llama 3.1-8B— 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 3.1-8B— Wofür wird es verwendet?

Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.

Llama 3.1-8B— 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 3.1-8B— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 1.2 × 10²⁴ FLOP. 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 3.1-8B— Kann ich es ausführen, wenn es nicht in meine GPU passt?

Nur durch Abladen, was normalerweise eine falsche Wirtschaftlichkeit ist: der Teil, der im System-Speicher gehalten wird, zieht das Ganze nach unten. Die nächste verpasste Berechnung bleibt hinter 1.5 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

Llama 3.1-8B— 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: 582. So eine zweite Karte ist hier selten die Antwort.

Llama 3.1-8B— 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: 4. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.

Llama 3.1-8B— 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: 360–508 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

Llama 3.1-8B— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist Quadro 6000, mit einer MEMORY-KAPAZITÄT von 6 GB. Es führt das Modell mit einer Kompression von Q3_K_M verwenden von etwa 5.1 GB, und produziert ungefähr 17.4 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 582.

Llama 3.1-8B— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 424 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: 551.

Llama 3.1-8B— Wie viel VRAM benötigt es?

Es benötigt etwa 5.1 GB bei einer Kompression von Q3_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 3.1-8B— Kann ich es auf einer GPU mitführen? 8 GB?

Ja. Die GPU-Karte CMP 170HX 8 GB, halten 8 GB, führt es mit einer Kompression von Q5_K_M, verwenden von etwa 7.0 GB und generieren grob 141 Token pro Sekunde. Der Fit ist eng.

Llama 3.1-8B— Kann ich es auf einer GPU mitführen? 12 GB?

Ja. Die GPU-Karte GeForce RTX 3080 Ti, halten 12 GB, führt es mit einer Kompression von Q8_0, verwenden von etwa 9.8 GB und generieren grob 48.3 Token pro Sekunde. Der Fit ist eng.

Llama 3.1-8B— Kann ich es auf einer GPU mitführen? 16 GB?

Ja. Die GPU-Karte Tesla V100 SXM2 16 GB, halten 16 GB, führt es mit einer Kompression von Q8_0, verwenden von etwa 9.8 GB und generieren grob 59.8 Tokens pro Sekunde. Der Fit ist komfortabel.

Llama 3.1-8B— Kann ich es auf einer GPU mitführen? 24 GB?

Ja. Die GPU-Karte GeForce RTX 5090 D V2, halten 24 GB, führt es mit einer Kompression von Q8_0, verwenden von etwa 9.8 GB und generieren grob 70.9 Tokens pro Sekunde. Der Fit ist komfortabel.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 28 November 2025

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.

Alle KI-Modelle