SPHINX (Llama 2 13B) TPS-Rechner

Offene Gewichte Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University 19.9B Parameter November 2023

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

293 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

Quadro K6000

12 GB · Q3_K_M · 14.1 tok/s

Schnellste Karte

B200

170 tok/s · 180 GB

Welche GPUs können laufen SPHINX (Llama 2 13B)?

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.

293 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
170 tok/s 102–272 · niedrige Vertrauenswürdigkeit	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	22.0 GB	Q8_0	Komfortabel
170 tok/s 102–272 · niedrige Vertrauenswürdigkeit	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	22.0 GB	Q8_0	Komfortabel
136 tok/s 82–218 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	22.0 GB	Q8_0	Komfortabel
136 tok/s 82–218 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	22.0 GB	Q8_0	Komfortabel
109 tok/s 65–174 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	22.0 GB	Q8_0	Komfortabel
104 tok/s 62–167 · niedrige Vertrauenswürdigkeit	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	22.0 GB	Q8_0	Komfortabel
104 tok/s 62–167 · niedrige Vertrauenswürdigkeit	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	22.0 GB	Q8_0	Komfortabel
99.6 tok/s 60–159 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	22.0 GB	Q8_0	Komfortabel
88.4 tok/s 53–141 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Komfortabel
88.4 tok/s 53–141 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Komfortabel
88.4 tok/s 53–141 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Komfortabel
83.9 tok/s 50–134 · niedrige Vertrauenswürdigkeit	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	22.0 GB	Q8_0	Komfortabel
71.5 tok/s 43–114 · niedrige Vertrauenswürdigkeit	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Komfortabel
71.5 tok/s 43–114 · niedrige Vertrauenswürdigkeit	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	22.0 GB	Q8_0	Komfortabel
71.5 tok/s 43–114 · niedrige Vertrauenswürdigkeit	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Komfortabel
71.5 tok/s 43–114 · niedrige Vertrauenswürdigkeit	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Komfortabel
71.5 tok/s 43–114 · niedrige Vertrauenswürdigkeit	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Komfortabel
55.5 tok/s 33–89 · niedrige Vertrauenswürdigkeit	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	12.7 GB	Q4_K_M	knapp
54.5 tok/s 33–87 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	22.0 GB	Q8_0	Komfortabel
54.5 tok/s 33–87 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	22.0 GB	Q8_0	Komfortabel
52.4 tok/s 31–84 · niedrige Vertrauenswürdigkeit	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.4 GB	Q3_K_M	knapp
52.4 tok/s 31–84 · niedrige Vertrauenswürdigkeit	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.4 GB	Q3_K_M	knapp
47.2 tok/s 28–75 · niedrige Vertrauenswürdigkeit	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	12.7 GB	Q4_K_M	knapp
45.4 tok/s 27–73 · niedrige Vertrauenswürdigkeit	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	22.0 GB	Q8_0	Komfortabel
44.4 tok/s 27–71 · niedrige Vertrauenswürdigkeit	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	22.0 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: Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University
Organisationsart: Academia,Academia,Academia
Land: China, Hong Kong
Veröffentlicht: 13 November 2023
Autoren: Ziyi Lin, Chris Liu, Renrui Zhang, Peng Gao, Longtian Qiu, Han Xiao, Han Qiu, Chen Lin, Wenqi Shao, Keqin Chen, Jiaming Han, Siyuan Huang, Yichi Zhang, Xuming He, Hongsheng Li, Yu Qiao

Was es tut

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

Domain: Vision, Language, Multimodal
Aufgabe: Visual question answering, Image captioning
Basis-Modell: Llama 2-13B
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: 19.9B
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 × 10²² FLOP
Wie es etabliert wurde: Hardware
Feinabstimmung Rechenleistung: 4 × 10²¹ FLOP

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 A100 SXM4 40 GB
Verwendete Chips: 32
Chip-Stunden: 9,280
Wand-Uhrzeit: 290 hours (12.1 days)
Stromverbrauch: 25.4 kW
Rechenkosten: $239,189

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: Alpha-VLLM

Wie es klassifiziert ist

Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.

Warum es verfolgt wird: SOTA improvement
Aufzeichnungsgenauigkeit: Likely

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: SPHINX: The Joint Mixing of Weights, Tasks, and Visual Embeddings for Multi-modal Large Language Models
Zuletzt aktualisiert: 11 February 2026

Die Extreme

Die zehn schnellsten GPUs, die RUN. SPHINX (Llama 2 13B)

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 SPHINX (Llama 2 13B)

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 K6000

Benötigter Speicher

10.4 GB

Schnellste

170 tok/s

SPHINX (Llama 2 13B) erreicht eine Parameteranzahl von 19.9B. 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: 293.

Der Einstiegspunkt ist Quadro K6000, mit einer MEMORY-KAPAZITÄT von 12 GB, es mit einer Kompression von Q3_K_M und produziert etwa 14.1 Token pro Sekunde

Die schnellste Berechnung dafür ist B200, generieren ungefähr 170 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Woher es kam

SPHINX (Llama 2 13B) wurde veröffentlicht von Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University, im Land aufgezeichnet als China, während November 2023. Die veröffentlichende Organisation ist als academia,Academia,Academia.

Es funktioniert im Bereich von Vision, Language, Multimodal, und wird als die Aufgabe von aufgezeichnet visual question answering, Image captioning.

Anstatt von Grund auf neu trainiert zu werden, ist es abgeleitet von Llama 2-13B. Das ist der Grund, warum es die allgemeine Form und Größe des Basis-Modells teilt.

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. Alpha-VLLM.

Verstehen der Geschwindigkeiten

Das mediane Ergebnis liegt bei etwa 20.7 Tokens pro Sekunde. Überschreitung der Lesegeschwindigkeit direkt: 248 von ihnen

Es ist ein dichtes Modell, daher wird jeder Parameter für jedes produzierte Token gelesen. Das macht die Geschwindigkeit fast genau bandbreitengebunden – eine Karte mit der doppelte Bandbreite erzeugt ungefähr doppelt so schnell.

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

Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 3 × 10²² FLOP, auf Hardware erfasst als NVIDIA A100 SXM4 40 GB. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.

Der Grund, warum es überhaupt in diesem Katalog erscheint: sOTA improvement.

Schritt für Schritt

Wie wählt man eine GPU für SPHINX (Llama 2 13B)

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

Jede Karte hier wurde geprüft gegen SPHINX (Llama 2 13B), benötigt ungefähr 10.4 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

Setze den Kontext auf das, was du tatsächlich verwenden wirst. Der Cache wächst mit dem Gespräch, und es ist der übliche Grund, warum eine Karte, die anfangs passend schien, nicht mehr passt. SPHINX (Llama 2 13B).
03

Setze eine Qualitätsuntergrenze

Jede Karte läuft die am wenigsten komprimierte Kopie, die sie halten kann., 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

Nach Durchsatz und nicht nach Spezifikationen sortieren

Das Ranking nach Tokens pro Sekunde folgt der Speicherbandbreite anstelle der Kernanzahl, für SPHINX (Llama 2 13B). 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 170 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 SPHINX (Llama 2 13B). 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. SPHINX (Llama 2 13B).

Antworten

SPHINX (Llama 2 13B) — Häufige Fragen

SPHINX (Llama 2 13B)— 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 Q3_K_M, verwenden von etwa 10.4 GB und generieren grob 52.4 Token pro Sekunde. Der Fit ist eng.

SPHINX (Llama 2 13B)— 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 Q4_K_M, verwenden von etwa 12.7 GB und generieren grob 55.5 Token pro Sekunde. Der Fit ist eng.

SPHINX (Llama 2 13B)— 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 Q6_K, verwenden von etwa 17.4 GB und generieren grob 41.4 Tokens pro Sekunde. Der Fit ist komfortabel.

SPHINX (Llama 2 13B)— 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.

SPHINX (Llama 2 13B)— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 19.9B. SPHINX + Llama 2 13B SPHINX component involves four vision encoders: - CLIP - ViT - CLIP - ConvNeXt V2 (89M to 659M params, depending on size) - DinoV2 - ViT (22M to 1.14B params, depending on size) - Q-former (188M params) Also involves to projection networks Huggingface Hub model files appear to be 39.8GB. Assuming models are stored in fp16 there are 2 bytes per parameter, so 39.8 / 2 = 19.9B parameters. 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.

SPHINX (Llama 2 13B)— Wer hat es erstellt?

Es wurde veröffentlicht von Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University, basiert auf China, eine als kategorisierte Organisation academia,Academia,Academia.

SPHINX (Llama 2 13B)— Wann wurde es veröffentlicht?

Es wurde veröffentlicht in November 2023. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.

SPHINX (Llama 2 13B)— Wofür wird es verwendet?

Es funktioniert im Bereich von Vision, Language, Multimodal, und wird als Bewältigung der Aufgabe von visual question answering, Image captioning. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.

SPHINX (Llama 2 13B)— Wo kann ich es herunterladen?

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

SPHINX (Llama 2 13B)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 3 × 10²² FLOP, auf Hardware erfasst als NVIDIA A100 SXM4 40 GB. 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.

SPHINX (Llama 2 13B)— Kann ich es ausführen, wenn es nicht in meine GPU passt?

Teilweise. Schichten, die nicht passen, verbleiben im System-Speicher und laufen mit einem Bruchteil der Geschwindigkeit, sodass ein überwiegend ausgelagerter Modell selten von Nutzen ist. Die nächste verpasste Berechnung bleibt hinter 2.8 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

SPHINX (Llama 2 13B)— 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: 293. So eine zweite Karte ist hier selten die Antwort.

SPHINX (Llama 2 13B)— 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.

SPHINX (Llama 2 13B)— 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: 102–272 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

SPHINX (Llama 2 13B)— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist Quadro K6000, mit einer MEMORY-KAPAZITÄT von 12 GB. Es führt das Modell mit einer Kompression von Q3_K_M verwenden von etwa 10.4 GB, und produziert ungefähr 14.1 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 293.

SPHINX (Llama 2 13B)— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 170 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: 248.

SPHINX (Llama 2 13B)— Wie viel VRAM benötigt es?

Es benötigt etwa 10.4 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.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 11 February 2026

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