QMoE: compressed SwitchTransformer TPS-Rechner
Jede Karte unten wird gegen dieses Modell in der gewählten Kontextlänge und minimalen Qualität bewertet. Die Geschwindigkeit ist eine Schätzung für eine einzelne Anfrage, berechnet aus der Speicherbandbreite der Karte und der Größe des Modells, nachdem es komprimiert wurde..
Für dieses Modell berechnet
Welche GPUs können laufen QMoE: compressed SwitchTransformer?
Setze die Eingaben, lies die Antwort
Ein längerer Dialog benötigt mehr Speicher, was dieses Modell von kleineren Karten drängen kann..
Versteckt Karten, die nur für das Modell passen würden, indem es unter diesen Punkt komprimiert wird..
0 Karten stimmen überein
Berechnen| Benötigt | Quantisierung | Fit | |||||
|---|---|---|---|---|---|---|---|
|
Kein Modell in unserem Katalog kann dieses Modell mit diesen Einstellungen ausführen.. |
|||||||
Die Geschwindigkeiten sind Schätzungen für eine einzelne Anfrage – ein Gespräch zur Zeit – berechnet aus der Speicherbandbreite, der Modellgröße und der Quantisierung. Der tatsächliche Durchsatz variiert mit der Inferenzlaufzeit und deren Version. Die von Hardwareanbietern veröffentlichten Zahlen messen viele gleichzeitige Anfragen und sind wesentlich höher..
Aufzeichnen
Vollständige Spezifikation
Alles, was für dieses Modell aufgezeichnet wurde. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft – nützlicher Kontext, um zu beurteilen, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in unterschiedlichem Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell erstellt, wo und wann es veröffentlicht wurde.
- Organisation
- Institute of Science and Technology Austria (ISTA),Neural Magic
- Typ der Organisation
- Academia,Industry
- Land
- Austria, United States of America
- Veröffentlicht
- 25 October 2023
- Autoren
- Elias Frantar, Dan Alistarh
Was es tut
Die Problembereiche, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Language
- Aufgabe
- Language modeling
- Basis Modell
- Switch
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Parameter sind die Werte, die entscheiden, ob es auf eine bestimmte Grafikkarte passt.
- Parameter
- 1.6T
- Modell/Modelle können auf der GPU nicht passen. Eng = kaum auszuführen, komfortabel = läuft problemlos mit Spielraum.
- 576,000,000,000 tokens
"Concretely, QMoE can compress the 1.6 trillion parameter SwitchTransformer-c2048 model to less than 160GB" Same parameter count as base model. This paper compresses the model; there is no learning from data.
In this paper, the authors compress the SwitchTransformer-c2048 model. There is no training dataset used.
Training-Berechnung
Die Berechnungen, die zum Trainieren des Modells durchgeführt werden, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Feinabstimmung Berechnung
- 1 × 10¹⁸ FLOP
(1) * (38.71 * 10 ** 12) * (0.3) * (24 * 3600) = 1003363200000000000 (num gpu) * (peak flop) * (assumed utilization rate) * (time in seconds) from the paper: "This allows us to apply data-dependent compression to massive MoEs, while preserving the key feature of post-training compression techniques: the ability to perform effective compression using only modest computational resources, e.g., a single NVIDIA A6000 GPU and less than one day of compute." A6000 have 38.71 TFLOPs from https://www.tec…
Der Trainingslauf
Was es physisch benötigte, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Trainingshardware
- NVIDIA RTX A6000
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, was entscheidet, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugriff
- Open weights (unrestricted)
- Trainingscode
- Open source
apache 2.0 github.com/IST-DASLab/qmoe
Wie es klassifiziert ist
Labels, die auf das Quell-Dataset angewendet werden, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Modell/Modelle können auf der GPU ausgeführt werden. Es passt nicht / wird nicht passen. Eng = kaum ausführbar, komfortabel = läuft problemlos mit Spielraum.
- Confident
- 47
Model/Modelle laufen nicht / wird nicht passen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- QMoE: Practical Sub-1-Bit Compression of Trillion-Parameter Models
- Modell/Modelle können von der GPU nicht ausgeführt werden. Es passt nicht. Zu eng. Lauffähig. Bequem.
- 25 May 2026
Was die Zahlen bedeuten
Die Hardware-Seite
At 1.6T parameters, QMoE: compressed SwitchTransformer is beyond what any single graphics card holds. Running it means either splitting it across several cards or renting hardware built for the job — 0 of the cards we track can hold it on their own, and all of them are datacentre parts.
Hintergrund
QMoE: compressed SwitchTransformer was published by Institute of Science and Technology Austria (ISTA),Neural Magic, in Austria, in October 2023. academia,Industry is the category the publisher falls under.
It works in Language, and is recorded as doing language modeling.
It is derived from Switch rather than trained from scratch, which is the usual way a specialised model is produced.
The weights are published, so it can be downloaded and run on your own hardware indefinitely, offline, with no account attached.
Was in den Aufbau eingeflossen ist
It was trained on about 576,000,000,000 tokens of text.
Schritt für Schritt
Wie man eine GPU für QMoE: compressed SwitchTransformer
Die obige Tabelle hat bereits jede Karte, für die wir Spezifikationen haben, mit diesem Modell bewertet. Um zu Ihrer Antwort zu gelangen, sind sechs Schritte erforderlich..
-
01
Lies zuerst die Speicherzahl
The table lists every card that can hold QMoE: compressed SwitchTransformer. That figure, not the card's headline performance, is what decides whether it runs.
-
02
Entscheide, wie lange deine Gespräche laufen
The conversation occupies memory too, and grows as it goes. Set the slider to the length you expect: at long context QMoE: compressed SwitchTransformer can slip off a card that handles short questions easily.
-
03
Modell/Modelle kann die GPU nicht ausführen / wird nicht passen. Eng = kaum auszuführen, bequem = läuft leicht mit Spielraum.
Each card runs the least-compressed copy it can hold. Setting a floor drops the cards that only manage QMoE: compressed SwitchTransformer by squeezing it further than you would want.
-
04
Nach Geschwindigkeit sortieren
The speed ordering for QMoE: compressed SwitchTransformer is effectively an ordering by memory bandwidth.
-
05
Überprüfen Sie das Passungsverdict, bevor Sie kaufen.
Tight means QMoE: compressed SwitchTransformer loads and works, with no room to raise the context later. Comfortable means you can. The difference matters more than a few tokens per second.
-
06
Sieh dir an, was diese Karte noch laufen kann.
Following a card through to its own page shows every other model it can hold, which is the question that follows once QMoE: compressed SwitchTransformer is settled.
Antworten
QMoE: compressed SwitchTransformer — Häufige Fragen
What is QMoE: compressed SwitchTransformer used for?
QMoE: compressed SwitchTransformer works in Language, and is recorded as handling language modeling. These are the areas it was designed around; they describe intent rather than a hard boundary.
Where can I download QMoE: compressed SwitchTransformer?
The weights for QMoE: compressed SwitchTransformer are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
Can I run QMoE: compressed SwitchTransformer if it does not fit in my GPU?
It can be split between the card and system memory, but QMoE: compressed SwitchTransformer generates painfully slowly that way — the nearest miss we calculate is short by 691.9 GB. Nothing on this page assumes offloading.
Would two GPUs run QMoE: compressed SwitchTransformer faster?
Two cards buy memory rather than speed. That matters for QMoE: compressed SwitchTransformer only if one card cannot hold it — 0 can, so a second adds little.
Why does the quantisation differ between cards for QMoE: compressed SwitchTransformer?
A larger card holds a more accurate copy. Across the cards that run QMoE: compressed SwitchTransformer, 1 compression levels are used; the floor control above pins it to one.
How accurate are these QMoE: compressed SwitchTransformer speed estimates?
Jede Zahl stammt aus der Speicherbandbreite und der Modellgröße, nicht benchmarkbasiert. Deshalb wird jede als ein Bereich veröffentlicht, wie der Bereich unter jeder Zahl, anstatt einer einzelnen Zahl.
Is QMoE: compressed SwitchTransformer open source?
Its weights are published, so QMoE: compressed SwitchTransformer can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does QMoE: compressed SwitchTransformer have?
QMoE: compressed SwitchTransformer has 1.6T parameters. "Concretely, QMoE can compress the 1.6 trillion parameter SwitchTransformer-c2048 model to less than 160GB" Same parameter count as base model. This paper compresses the model; there is no learning from data. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created QMoE: compressed SwitchTransformer?
QMoE: compressed SwitchTransformer was published by Institute of Science and Technology Austria (ISTA),Neural Magic, based in Austria, categorised as academia,Industry.
When was QMoE: compressed SwitchTransformer released?
QMoE: compressed SwitchTransformer was published in October 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
Die andere Richtung
Von der anderen Seite betrachten?
Diese Seite beginnt vom Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was sie ausführen kann., Modell/Modelle laufen GPU AI-Modell. passt nicht/wird nicht passen. eng = kaum lauffähig, komfortabel = läuft problemlos mit Spielraum..