Phi-3.5-MoE TPS-Rechner

Offene Gewichte Microsoft 60.8B Parameter April 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

92 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

FirePro S9170

32 GB · Q3_K_M · 26.1 tok/s

Schnellste Karte

B200

310 tok/s · 180 GB

Welche GPUs können laufen Phi-3.5-MoE?

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.

92 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
310 tok/s 186–495 · niedrige Vertrauenswürdigkeit	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	62.6 GB	Q8_0	Komfortabel
310 tok/s 186–495 · niedrige Vertrauenswürdigkeit	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	62.6 GB	Q8_0	Komfortabel
247 tok/s 148–396 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	62.6 GB	Q8_0	Komfortabel
247 tok/s 148–396 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	62.6 GB	Q8_0	Komfortabel
198 tok/s 119–316 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	62.6 GB	Q8_0	Komfortabel
195 tok/s 117–312 · niedrige Vertrauenswürdigkeit	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.2 GB	Q3_K_M	knapp
195 tok/s 117–312 · niedrige Vertrauenswürdigkeit	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.2 GB	Q3_K_M	knapp
189 tok/s 114–303 · niedrige Vertrauenswürdigkeit	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	62.6 GB	Q8_0	Komfortabel
189 tok/s 114–303 · niedrige Vertrauenswürdigkeit	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	62.6 GB	Q8_0	Komfortabel
187 tok/s 112–299 · niedrige Vertrauenswürdigkeit	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.2 GB	Q3_K_M	knapp
187 tok/s 112–299 · niedrige Vertrauenswürdigkeit	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.2 GB	Q3_K_M	knapp
181 tok/s 109–290 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	62.6 GB	Q8_0	Komfortabel
161 tok/s 96–257 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	62.6 GB	Q8_0	Komfortabel
161 tok/s 96–257 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	62.6 GB	Q8_0	Komfortabel
161 tok/s 96–257 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	62.6 GB	Q8_0	Komfortabel
152 tok/s 91–244 · niedrige Vertrauenswürdigkeit	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	62.6 GB	Q8_0	Komfortabel
139 tok/s 84–223 · niedrige Vertrauenswürdigkeit	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	34.3 GB	Q4_K_M	knapp
139 tok/s 84–223 · niedrige Vertrauenswürdigkeit	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	34.3 GB	Q4_K_M	knapp
139 tok/s 84–223 · niedrige Vertrauenswürdigkeit	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	34.3 GB	Q4_K_M	knapp
130 tok/s 78–208 · niedrige Vertrauenswürdigkeit	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	62.6 GB	Q8_0	Komfortabel
130 tok/s 78–208 · niedrige Vertrauenswürdigkeit	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	62.6 GB	Q8_0	knapp
130 tok/s 78–208 · niedrige Vertrauenswürdigkeit	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	62.6 GB	Q8_0	Komfortabel
130 tok/s 78–208 · niedrige Vertrauenswürdigkeit	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	62.6 GB	Q8_0	Komfortabel
130 tok/s 78–208 · niedrige Vertrauenswürdigkeit	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	62.6 GB	Q8_0	knapp
129 tok/s 78–207 · niedrige Vertrauenswürdigkeit	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	41.4 GB	Q5_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: Microsoft
Organisationsart: Industry
Land: United States of America
Veröffentlicht: 23 April 2024
Autoren: Marah Abdin, Sam Ade Jacobs, Ammar Ahmad Awan, Jyoti Aneja, Ahmed Awadallah, Hany Awadalla, Nguyen Bach, Amit Bahree, Arash Bakhtiari, Harkirat Behl, Alon Benhaim, Misha Bilenko, Johan Bjorck, Sébastien Bubeck, Martin Cai, Caio César Teodoro Mendes, Weizhu Chen, Vishrav Chaudhary, Parul Chopra, Allie Del Giorno, Gustavo de Rosa, Matthew Dixon, Ronen Eldan, Dan Iter, Amit Garg, Abhishek Goswami, Su…

Was es tut

Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.

Domain: Language
Aufgabe: Language modeling/generation, Translation, Question answering, Code generation, Quantitative reasoning

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: 60.8B
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: 3 × 10²³ FLOP
Wie es etabliert wurde: Hardware,Operation counting

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: 512
Wand-Uhrzeit: 552 hours (23 days)
Stromverbrauch: 708.4 kW

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 (unrestricted)
Training-Code: Unreleased
Hugging Face: microsoft

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: Confident

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone
Zuletzt aktualisiert: 28 November 2025

Die Extreme

Die zehn schnellsten GPUs, die RUN. Phi-3.5-MoE

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 Phi-3.5-MoE

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

Was die Zahlen bedeuten

Was es braucht, um dieses Modell auszuführen

Minimale Karte

FirePro S9170

Benötigter Speicher

27.2 GB

Schnellste

310 tok/s

Phi-3.5-MoE erreicht eine Parameteranzahl von 60.8B. Das platziert es über Consumer-Hardware, in den Bereich, wo eine Karte für diesen Zweck gekauft wird, anstatt dafür umfunktioniert zu werden. Die Anzahl der Karten, die wir verfolgen, die es halten können: 92.

Die kleinste Karte, die es hält, ist FirePro S9170, mit einer MEMORY-KAPAZITÄT von 32 GB, es mit einer Kompression von Q3_K_M und produziert etwa 26.1 Token pro Sekunde

Das schnellste Ergebnis kommt von B200, generieren ungefähr 310 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Über dieses Modell

Phi-3.5-MoE wurde veröffentlicht von Microsoft, im Land aufgezeichnet als United States of America, während April 2024. Die veröffentlichende Organisation ist als industry.

Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation, Translation, Question answering, Code generation, Quantitative reasoning.

Die Gewichte sind veröffentlicht, sodass sie auf deiner eigenen Hardware unbegrenzt, offline und ohne angehängtes Konto heruntergeladen und ausgeführt werden kann. Es ist unter der Organisation auf Hugging Face veröffentlicht. microsoft.

Wie schnell es läuft und warum

Über jede Karte, die es ausführen kann, liegt die Mitte der Reihe bei 79.0 Token pro Sekunde. Text schneller produzieren, als die meisten Menschen ihn lesen. 92 von ihnen

Dies ist ein Mischung-von-Experten-Modell, das jedes Token nur durch einen Teil von sich selbst leitet. Es generiert daher viel schneller, als es seine gesamte Größe vermuten lässt — während es dennoch jeden Parameter im MEMORY benötigt, sodass es schnell ist, ohne billig zu sein, um es zu halten.

Ohne das Attention-Layout in der Datei ist die Speicher-Spalte eine Annäherung. Sie ist nah genug, um Hardware auszuwählen, und am wenigsten zuverlässig bei langem CONTEXT.

Training und Herkunft

Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 3 × 10²³ 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.

Schritt für Schritt

Wie wählt man eine GPU für Phi-3.5-MoE

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

Beginne mit dem, was es tatsächlich benötigt, nämlich der Anforderung von Phi-3.5-MoE, benötigt ungefähr 27.2 GB bei einer Kompression von Q3_K_M. Diese Zahl, nicht die Überschriftleistung einer Karte, entscheidet darüber, ob sie läuft.
02

Entscheide, wie lange deine Gespräche laufen

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. Phi-3.5-MoE.
03

Setze eine Qualitätsuntergrenze

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

Nach Geschwindigkeit sortieren, um zu sehen, wie die CARDS eingestuft sind für Phi-3.5-MoE. 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 310 tok/s
05

Achte auf den Spielraum, nicht nur auf das Passende.

Tight bedeutet, dass es lädt und ohne Spielraum funktioniert, um den Kontext später zu erhöhen, im Fall von Phi-3.5-MoE. 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. Phi-3.5-MoE.

Antworten

Phi-3.5-MoE — Häufige Fragen

Phi-3.5-MoE— Wofür wird es verwendet?

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

Phi-3.5-MoE— Wo kann ich es herunterladen?

Seine Gewichte sind auf Hugging Face veröffentlicht, unter der Organisation microsoft. Wir hosten keine Modell-Dateien — diese Seite berechnet, welche Hardware benötigt wird, um sie auszuführen.

Phi-3.5-MoE— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 3 × 10²³ 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.

Phi-3.5-MoE— 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 9.1 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

Phi-3.5-MoE— 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: 92. So eine zweite Karte ist hier selten die Antwort.

Phi-3.5-MoE— 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: 5. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.

Phi-3.5-MoE— Wie genau sind diese Geschwindigkeitsabschätzungen?

Dies sind Schätzungen mit realen Fehlerbalken, und jede von ihnen könnte vernünftigerweise irgendwo in ihrem veröffentlichten Bereich landen, abhängig davon, welches Runtime Sie verwenden. Das schnellste Ergebnis hier: 186–495 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

Phi-3.5-MoE— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist FirePro S9170, mit einer MEMORY-KAPAZITÄT von 32 GB. Es führt das Modell mit einer Kompression von Q3_K_M verwenden von etwa 27.2 GB, und produziert ungefähr 26.1 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 92.

Phi-3.5-MoE— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 310 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: 92.

Phi-3.5-MoE— Wie viel VRAM benötigt es?

Es benötigt etwa 27.2 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.

Phi-3.5-MoE— 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.

Phi-3.5-MoE— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 60.8B. "Phi-3.5-MoE has 16x3.8B parameters with 6.6B active parameters when using 2 experts. The model is a mixture-of-expert decoder-only Transformer model using the tokenizer with vocabulary size of 32,064.". 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.

Phi-3.5-MoE— Wer hat es erstellt?

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

Phi-3.5-MoE— Wann wurde es veröffentlicht?

Es wurde veröffentlicht in April 2024. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.

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